Explainable Recommendation for Business Trust

1. 解决的问题

黑盒推荐系统给用户推了"吸奶器"，用户会问"为什么给我推这个？

2. 核心算法逻辑

核心问题：黑盒推荐系统给用户推了"吸奶器"，用户会问"为什么给我推这个？"如果无法解释，用户不信任、不点击、甚至反感。业务方也不理解模型逻辑，无法优化。

3. 业务应用场景

业务问题：Momcozy 首页推荐位点击率2.5%，但用户调研显示40%的用户"不信任推荐结果"。需要给每个推荐商品添加一句话解释。

| 推荐原因 | 解释模板 | 示例 | |---------|---------|------| | 协同过滤 | "和您购买的{过往商品}很搭" | "和您买的吸奶器很搭：储奶袋" | | 内容相似 | "和您浏览过的{商品}功能相似" | "和您浏览的A款功能相似：静音升级" | | 知识关联 | "适合{宝宝阶段}的妈妈" | "适合6个月+宝宝：辅食机" | | 热门趋势 | "本周{品类}热销Top 3" | "本周吸奶器热销Top 3" | | 价格敏感 | "比您收藏的{商品}省${金额}" | "比您收藏的A款省$20" |

A/B测试结果： - 有解释版：点击率3.2%（+28%） - 无解释版：点击率2.5% - 解释类型效果排序：知识关联 > 协同过滤 > 价格敏感 > 热门趋势

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ROI：推荐点击率提升25-40%，用户信任度显著提升
• 难度：⭐⭐☆☆☆（2/5）— 关联规则简单，NLG需要LLM
• 优先级：⭐⭐⭐⭐⭐（5/5）— 推荐系统从"能用"到"可信"的关键一步

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
Explainable Recommendation — 可解释推荐
支持：关联规则解释、知识图谱解释、SHAP解释
"""

import numpy as np
import pandas as pd
from collections import defaultdict, Counter


class AssociationRuleExplainer:
    """基于关联规则的解释器"""

    def __init__(self, min_support=0.01, min_confidence=0.3):
        self.min_support = min_support
        self.min_confidence = min_confidence
        self.rules = []

    def fit(self, transactions):
        """
        从交易记录挖掘关联规则

        Args:
            transactions: list of lists, each inner list is a user's purchase history
        """
        # 统计项集频率
        item_counts = Counter()
        pair_counts = defaultdict(Counter)
        total = len(transactions)

        for trans in transactions:
            unique_items = list(set(trans))
            for item in unique_items:
                item_counts[item] += 1
            for i, a in enumerate(unique_items):
                for b in unique_items[i+1:]:
                    pair_counts[a][b] += 1
                    pair_counts[b][a] += 1

        # 生成规则
        self.rules = []
        for a, neighbors in pair_counts.items():
            a_support = item_counts[a] / total
            if a_support < self.min_support:
                continue
            for b, count in neighbors.most_common(10):
                confidence = count / item_counts[a]
                if confidence >= self.min_confidence:
                    lift = confidence / (item_counts[b] / total)
                    self.rules.append({
                        'antecedent': a,
                        'consequent': b,
                        'confidence': confidence,
                        'lift': lift,
                        'support': count / total
                    })

        # 按lift排序
        self.rules.sort(key=lambda x: x['lift'], reverse=True)
        return self

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。