論文の概要: Comparative Explanations of Recommendations

• arxiv url: http://arxiv.org/abs/2111.00670v1
• Date: Mon, 1 Nov 2021 02:55:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 03:17:14.304618
• Title: Comparative Explanations of Recommendations
• Title（参考訳）: 勧告の比較解説
• Authors: Aobo Yang, Nan Wang, Renqin Cai, Hongbo Deng, Hongning Wang
• Abstract要約: 本稿では,レコメンデータシステムからランキング項目の相対比較を抽出・再定義するアーキテクチャを提案する。 我々はBLEUに基づく新しい説明品質指標を設計し、抽出・精錬部品のエンドツーエンドトレーニングを指導する。
• 参考スコア（独自算出の注目度）: 33.89230323979306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As recommendation is essentially a comparative (or ranking) process, a good explanation should illustrate to users why an item is believed to be better than another, i.e., comparative explanations about the recommended items. Ideally, after reading the explanations, a user should reach the same ranking of items as the system's. Unfortunately, little research attention has yet been paid on such comparative explanations. In this work, we develop an extract-and-refine architecture to explain the relative comparisons among a set of ranked items from a recommender system. For each recommended item, we first extract one sentence from its associated reviews that best suits the desired comparison against a set of reference items. Then this extracted sentence is further articulated with respect to the target user through a generative model to better explain why the item is recommended. We design a new explanation quality metric based on BLEU to guide the end-to-end training of the extraction and refinement components, which avoids generation of generic content. Extensive offline evaluations on two large recommendation benchmark datasets and serious user studies against an array of state-of-the-art explainable recommendation algorithms demonstrate the necessity of comparative explanations and the effectiveness of our solution.
• Abstract（参考訳）: レコメンデーションは基本的に比較(またはランク付け)のプロセスであるため、ある項目が他の項目よりも優れていると信じている理由、すなわち推奨項目に関する比較説明をユーザーに示す必要がある。 理想的には、説明を読むと、ユーザーはシステムと同じ項目のランキングに到達すべきである。 残念ながら、このような比較説明にはほとんど研究の注意が払われていない。 本研究では,レコメンダシステムからランク付けされた項目群間の相対的な比較を説明するための抽出・再定義アーキテクチャを開発した。 推奨項目ごとに、まず関連レビューから1つの文を抽出し、参照項目の集合に対して最適な比較を行う。 そして、この抽出文を生成モデルを介して対象ユーザに対してさらに調音し、その項目を推奨する理由をよりよく説明する。 我々はBLEUに基づく新しい説明品質指標を設計し、汎用コンテンツの生成を避けるために抽出・精錬部品のエンドツーエンドトレーニングを指導する。 2つの大規模レコメンデーションベンチマークデータセットに対する広範囲なオフライン評価と、最先端のレコメンデーションアルゴリズムに対する真面目なユーザ調査は、比較説明の必要性とソリューションの有効性を示している。

関連論文リスト

• Path-based summary explanations for graph recommenders -- extended version [2.2789818122188925]
  そこで本稿では,ユーザやユーザグループに対して,項目レコメンデーションのセットを受信した理由を説明する要約説明を提案する。 また,効率的なグラフアルゴリズムを用いて説明を要約する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-29T13:10:03Z)
• End-to-End Learnable Item Tokenization for Generative Recommendation [51.82768744368208]
  本稿では,アイテムのトークン化と生成レコメンデーションをシームレスに統合した,新しいエンドツーエンド生成レコメンダであるETEGRecを提案する。 本フレームワークは、アイテムトークン化器と生成レコメンデータで構成されるデュアルエンコーダデコーダアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• Unlocking the Potential of Large Language Models for Explainable Recommendations [55.29843710657637]
  説明ジェネレータを最近登場した大規模言語モデル(LLM)に置き換える影響は、まだ不明である。 本研究では,シンプルで効果的な2段階説明可能なレコメンデーションフレームワークであるLLMXRecを提案する。 いくつかの重要な微調整技術を採用することで、制御可能で流動的な説明が十分に生成できる。
  論文  参考訳（メタデータ） (2023-12-25T09:09:54Z)
• 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)
• Improving Recommendation Relevance by simulating User Interest [77.34726150561087]
  不活発な項目のランクを反復的に減らすことにより、リコメンデーション"レコメンデーション"が、簡単かつ透過的に維持可能であることを観察する。 この研究の背景にある基本的なアイデアは、オンラインレコメンデーションシステムの文脈で特許を取得している。
  論文  参考訳（メタデータ） (2023-02-03T03:35:28Z)
• 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)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• 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)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• 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)

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。