論文の概要: Hybrid Deep Embedding for Recommendations with Dynamic Aspect-Level
Explanations
- arxiv url: http://arxiv.org/abs/2001.10341v1
- Date: Sat, 18 Jan 2020 13:16:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 04:55:21.934333
- Title: Hybrid Deep Embedding for Recommendations with Dynamic Aspect-Level
Explanations
- Title(参考訳): 動的アスペクトレベル説明を用いた勧告用ハイブリッドディープ埋め込み
- Authors: Huanrui Luo, Ning Yang, Philip S. Yu
- Abstract要約: アスペクトベースの説明可能なレコメンデーションのためのHybrid Deep Embeddingと呼ばれる新しいモデルを提案する。
HDEの主な考え方は、評価予測のためにユーザとアイテムの動的埋め込みを学ぶことである。
ユーザ/イテムのアスペクトの好みや品質が自動的に学習されるため、HDEは、ユーザや項目のレビューで言及されていないアスペクトの影響を捉えることができる。
- 参考スコア(独自算出の注目度): 60.78696727039764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Explainable recommendation is far from being well solved partly due to three
challenges. The first is the personalization of preference learning, which
requires that different items/users have different contributions to the
learning of user preference or item quality. The second one is dynamic
explanation, which is crucial for the timeliness of recommendation
explanations. The last one is the granularity of explanations. In practice,
aspect-level explanations are more persuasive than item-level or user-level
ones. In this paper, to address these challenges simultaneously, we propose a
novel model called Hybrid Deep Embedding (HDE) for aspect-based explainable
recommendations, which can make recommendations with dynamic aspect-level
explanations. The main idea of HDE is to learn the dynamic embeddings of users
and items for rating prediction and the dynamic latent aspect
preference/quality vectors for the generation of aspect-level explanations,
through fusion of the dynamic implicit feedbacks extracted from reviews and the
attentive user-item interactions. Particularly, as the aspect
preference/quality of users/items is learned automatically, HDE is able to
capture the impact of aspects that are not mentioned in reviews of a user or an
item. The extensive experiments conducted on real datasets verify the
recommending performance and explainability of HDE. The source code of our work
is available at \url{https://github.com/lola63/HDE-Python}
- Abstract(参考訳): 説明可能な推奨事項は、部分的には3つの課題のために解決されていない。
ひとつは、好み学習のパーソナライズであり、異なるアイテム/ユーザが、ユーザの好みや項目の品質の学習に異なる貢献をする必要がある。
2つ目は動的説明であり、これはレコメンデーション説明のタイムラインに不可欠である。
最後の1つは説明の粒度です。
実際には、アスペクトレベルの説明はアイテムレベルやユーザレベルの説明よりも説得力がある。
本稿では,これらの課題を同時に解決するために,アスペクトベースで説明可能なレコメンデーションのためのhybrid deep embedded(hde)と呼ばれる新しいモデルを提案する。
HDEの主な考え方は、評価予測のためのユーザや項目の動的埋め込みとアスペクトレベルの説明を生成するための動的潜在アスペクトの嗜好/品質ベクトルを、レビューから抽出された動的暗黙のフィードバックと注意深いユーザとイテムの相互作用を融合させることである。
特に、ユーザ/項目のアスペクト選好/品質が自動的に学習されるため、hdeはユーザやアイテムのレビューで言及されていないアスペクトの影響を捉えることができる。
実データセットで行った広範囲な実験は、hdeの推奨性能と説明可能性を検証する。
私たちの仕事のソースコードは \url{https://github.com/lola63/hde-python} で入手できる。
関連論文リスト
- Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。
個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。
3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-05-09T10:38:36Z) - Reinforced Path Reasoning for Counterfactual Explainable Recommendation [10.36395995374108]
本稿では,項目属性に基づく反現実的説明を生成するために,CERec を新たに提案する。
我々は、与えられた知識グラフのリッチなコンテキスト情報を用いて、適応経路サンプリング器を用いて巨大な探索空間を縮小する。
論文 参考訳(メタデータ) (2022-07-14T05:59:58Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - Explainability in Music Recommender Systems [69.0506502017444]
音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。
MRSは非常に複雑で、推奨精度に最適化されることが多い。
本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
論文 参考訳(メタデータ) (2022-01-25T18:32:11Z) - Reinforcement Learning based Path Exploration for Sequential Explainable
Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。
TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。
2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文 参考訳(メタデータ) (2021-11-24T04:34:26Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2021-10-08T09:44:00Z) - Counterfactual Explainable Recommendation [22.590877963169103]
本稿では、因果推論から反実的推論の洞察を取り入れて説明可能な推薦を行うCountERを提案する。
CountERは、モデル決定に対して単純(低複雑性)で効果的な(高強度)説明を求める。
以上の結果から,我々のモデルは,最先端のレコメンデーションモデルよりも正確かつ効果的に説明できることを示す。
論文 参考訳(メタデータ) (2021-08-24T06:37:57Z) - Attribute-aware Explainable Complementary Clothing Recommendation [37.30129304097086]
本研究は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンダ(AFRec)を提案して取り組むことを目的とする。
AFRecレコメンダは、各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することで、服の互換性を評価する。
属性は2つのファッションアイテム間のブリッジとして機能し、そこでは属性間の学習された互換性を通じて、一対のアイテムの親和性を定量化する。
論文 参考訳(メタデータ) (2021-07-04T14:56:07Z) - ELIXIR: Learning from User Feedback on Explanations to Improve
Recommender Models [26.11434743591804]
説明に対するユーザフィードバックをユーザ好みのペアワイズ学習に活用する,ループ内人間フレームワーク ELIXIR を考案した。
elixirは、レコメンデーションと説明のペアに対するフィードバックを活用して、ユーザ固有の潜在選好ベクトルを学習する。
このフレームワークは、ランダムウォークとリスタートによる一般化グラフレコメンデーションを用いてインスタンス化される。
論文 参考訳(メタデータ) (2021-02-15T13:43:49Z) - Joint Item Recommendation and Attribute Inference: An Adaptive Graph
Convolutional Network Approach [61.2786065744784]
レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。
ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。
本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
論文 参考訳(メタデータ) (2020-05-25T10:50:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。