胡亮教授相关成果介绍⑥：可解释内容推荐：用“吸引力”解释用户为什么会点开一部电影 Interpretable Recommendation via Attraction Modeling: Learn

作者简介

胡亮，同济大学计算机科学与技术学院教授、博导，毕业于上海交通大学与悉尼科技大学，研究方向涵盖人工智能、推荐系统、机器学习与数据科学，入选上海海外高层次人才，获国家自然科学基金优秀青年科学基金项目（海外）支持。

一、研究背景

在新闻、视频等新媒体场景中，新内容产生极快，协同过滤往往因为缺乏用户反馈而难以及时工作。内容推荐虽然能利用文本、类别等内容特征，但通常只能给出“相似”解释，无法真正回答用户为什么会被某个内容吸引。作者因此提出：相比单纯提高准确率，更重要的问题是识别内容中真正吸引用户的“点”，并把这种吸引过程解释出来。

二、论文信息

三、核心发现

 图示：论文原文中的 MLAM 多层吸引力模型架构图（Figure 1）

四、研究内容解读

1. 这项研究要回答什么问题？

这项研究真正要解决的是：在新内容缺乏历史交互的情况下，系统能不能直接从内容本身推断“哪些元素最能吸引某个用户”？与传统 attention 只寻找普遍重要部分不同，论文强调吸引力是主观的、用户相关的，因此必须把用户上下文纳入注意力机制。

2. 研究团队发现了什么？

在具体实现上，剧情文本部分采用分层结构：先在词级别寻找对某个用户最有吸引力的词，再在句子级别判断哪些剧情句最重要，最后形成故事层面的吸引力表示。与此同时，演员、导演、编剧等演职员被视为另一类重要模态，模型会为每个成员分配个性化吸引力权重，得到 cast-level 表示。

3. 他们是如何证明的？

最后，剧情表示与演职员表示被融合为一个统一的吸引力分数，用于对候选电影进行排序。这种设计不仅能做推荐，还能反过来标注“哪几句话最打动用户”“哪位演员最可能是触发点”，从而给出更贴近用户心理机制的解释。

五、关键机制与功能验证

论文在 MovieLens 1M 与 DBpedia 补充内容数据上进行了验证，分别考察常规推荐、新电影推荐和解释性展示。结果表明，MLAM 优于多种内容推荐基线，并且能够通过可视化方式呈现词、句子和演员层面的吸引力。这说明模型不只是“多加了一层注意力”，而是把推荐理由真正落到了用户可理解的内容元素上。

六、总结与意义

总体来看，这项工作把内容推荐从“找相似内容”推进到“找吸引用户的具体内容因素”。它兼顾了冷启动推荐能力与结果可解释性，对于视频、资讯、短剧等内容型业务场景尤其具有现实意义。

DOI：10.24963/ijcai.2018/472

已收藏 0

点赞 0