論文の概要: Semantic Modeling for Food Recommendation Explanations
- arxiv url: http://arxiv.org/abs/2105.01269v1
- Date: Tue, 4 May 2021 03:25:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 19:31:53.095775
- Title: Semantic Modeling for Food Recommendation Explanations
- Title（参考訳）: 食品レコメンデーション説明のための意味モデリング
- Authors: Ishita Padhiar, Oshani Seneviratne, Shruthi Chari, Daniel Gruen,
Deborah L. McGuinness
- Abstract要約: 食品に関する推奨事項について,ユーザに説明をモデル化するための形式主義を提供する食品説明オントロジー(FEO)を提示する。
FEOはモジュール構造を使用しており、重要なセマンティックな詳細を保存しながら、さまざまな説明に役立てている。
FEOの使用に対する私たちの動機は、ユーザーの健康に関する決定を、ユーザの質問に関連するAIレコメンデータシステムの理解を十分に備えた上で、ユーザに権限を与えることです。
- 参考スコア（独自算出の注目度）: 0.5833117322405447
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increased use of AI methods to provide recommendations in the
health, specifically in the food dietary recommendation space, there is also an
increased need for explainability of those recommendations. Such explanations
would benefit users of recommendation systems by empowering them with
justifications for following the system's suggestions. We present the Food
Explanation Ontology (FEO) that provides a formalism for modeling explanations
to users for food-related recommendations. FEO models food recommendations,
using concepts from the explanation domain to create responses to user
questions about food recommendations they receive from AI systems such as
personalized knowledge base question answering systems. FEO uses a modular,
extensible structure that lends itself to a variety of explanations while still
preserving important semantic details to accurately represent explanations of
food recommendations. In order to evaluate this system, we used a set of
competency questions derived from explanation types present in literature that
are relevant to food recommendations. Our motivation with the use of FEO is to
empower users to make decisions about their health, fully equipped with an
understanding of the AI recommender systems as they relate to user questions,
by providing reasoning behind their recommendations in the form of
explanations.
- Abstract（参考訳）: 健康、特に食生活のレコメンデーション分野におけるレコメンデーションを提供するAIメソッドの利用の増加に伴い、これらのレコメンデーションの説明性の必要性も高まっている。
このような説明は、システムの提案に従うことを正当化することで、レコメンデーションシステムのユーザに利益をもたらす。
本稿では,食品関連レコメンデーションのユーザへの説明をモデル化するための形式的手法として,食品説明オントロジー(feo)を提案する。
FEOは食品レコメンデーションをモデル化し、説明領域の概念を使用して、パーソナライズされた知識ベース質問応答システムのようなAIシステムから受け取った食品レコメンデーションに関するユーザーの質問に対する応答を生成する。
FEOはモジュラーで拡張可能な構造を使い、さまざまな説明に役立ちながら、重要なセマンティックな詳細を保存し、食品レコメンデーションの説明を正確に表現している。
そこで本研究では,本システムを評価するために,食品推薦に関する文献における説明型から導かれる能力質問の組を用いた。
FEOの使用に対する私たちの動機は、ユーザーの質問に関連してAIレコメンデータシステムの理解を完全に備えた、ユーザの健康に関する意思決定を、説明の形で推奨の背後にある推論を提供することです。
関連論文リスト
- Combining Embedding-Based and Semantic-Based Models for Post-hoc
Explanations in Recommender Systems [0.0]
本稿では,埋め込みモデルとセマンティックモデルを組み合わせて,レコメンダシステムにおけるポストホックな説明を生成する手法を提案する。
私たちが定義したフレームワークは、意味があり分かりやすい説明を生み出し、ユーザの信頼と満足度を高め、eコマース分野におけるレコメンダシステムの採用を促進することを目的としています。
論文 参考訳（メタデータ） (2024-01-09T10:24:46Z) - Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳（メタデータ） (2023-07-05T06:03:40Z) - Visualization for Recommendation Explainability: A Survey and New Perspectives [0.0]
本研究では,4次元のレコメンデータシステムにおける説明に関する文献を体系的にレビューする。
我々は,レコメンデーションシステムにおいて,説明的視覚化を設計するための一連のガイドラインを導出する。
本研究の目的は、視覚的に説明可能なレコメンデーション研究の可能性について、研究者や実践者がより深く理解することである。
論文 参考訳（メタデータ） (2023-05-19T15:42:00Z) - Measuring "Why" in Recommender Systems: a Comprehensive Survey on the
Evaluation of Explainable Recommendation [87.82664566721917]
この調査は、IJCAI、AAAI、TheWebConf、Recsys、UMAP、IUIといったトップレベルのカンファレンスから100以上の論文に基づいています。
論文 参考訳（メタデータ） (2022-02-14T02:58:55Z) - 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) - Designing Explanations for Group Recommender Systems [0.0]
様々な理由でレコメンデーションシステムで説明が用いられる。
レコメンダーシステムの開発者は、特定のアイテムを購入するようにユーザーに説得したいです。
ユーザーは、レコメンダシステムがどのように機能し、なぜ特定のアイテムが推奨されたのかをよりよく理解する必要がある。
論文 参考訳（メタデータ） (2021-02-24T17:05:39Z) - Explanation as a Defense of Recommendation [34.864709791648195]
提案とそれに対応する説明の間の感情整合のアイデアを強制することを提案する。
当社のソリューションは、推奨タスクと説明タスクの両方で豊富なベースラインを上回っています。
論文 参考訳（メタデータ） (2021-01-24T06:34:36Z) - Personalized Food Recommendation as Constrained Question Answering over
a Large-scale Food Knowledge Graph [16.58534326000209]
本稿では,大規模食品知識ベース/グラフ(KBQA)上での制約付き質問応答として,食品推薦のための新たな問題定式化を提案する。
ユーザクエリからの要求に加えて、ユーザの食事嗜好と健康ガイドラインからのパーソナライズされた要求が統一された方法で処理される。
我々のアプローチは非パーソナライズドのアプローチを大きく上回っている。
論文 参考訳（メタデータ） (2021-01-05T20:38:16Z) - Recommender Systems for the Internet of Things: A Survey [53.865011795953706]
勧告は、モノのインターネット(Internet of Things)の利益を開発し、促進する上で重要な段階である。
従来のレコメンデータシステムは、成長を続ける、動的で、異質なIoTデータを活用することができません。
論文 参考訳（メタデータ） (2020-07-14T01:24:44Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳（メタデータ） (2020-04-08T02:11:55Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。