論文の概要: Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors
- arxiv url: http://arxiv.org/abs/2202.02830v3
- Date: Sat, 3 Jun 2023 00:05:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 05:53:46.399909
- Title: Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors
- Title（参考訳）: 概念活性化ベクトルを用いたレコメンダシステムにおけるソフト属性のパーソナライズされたセマンティクスの発見
- Authors: Christina G\"opfert and Alex Haig and Yinlam Chow and Chih-wei Hsu and
Ivan Vendrov and Tyler Lu and Deepak Ramachandran and Hubert Pham and
Mohammad Ghavamzadeh and Craig Boutilier
- Abstract要約: インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。
課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。
このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
- 参考スコア（独自算出の注目度）: 34.56323846959459
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interactive recommender systems have emerged as a promising paradigm to
overcome the limitations of the primitive user feedback used by traditional
recommender systems (e.g., clicks, item consumption, ratings). They allow users
to express intent, preferences, constraints, and contexts in a richer fashion,
often using natural language (including faceted search and dialogue). Yet more
research is needed to find the most effective ways to use this feedback. One
challenge is inferring a user's semantic intent from the open-ended terms or
attributes often used to describe a desired item, and using it to refine
recommendation results. Leveraging concept activation vectors (CAVs) [26], a
recently developed approach for model interpretability in machine learning, we
develop a framework to learn a representation that captures the semantics of
such attributes and connects them to user preferences and behaviors in
recommender systems. One novel feature of our approach is its ability to
distinguish objective and subjective attributes (both subjectivity of degree
and of sense), and associate different senses of subjective attributes with
different users. We demonstrate on both synthetic and real-world data sets that
our CAV representation not only accurately interprets users' subjective
semantics, but can also be used to improve recommendations through interactive
item critiquing.
- Abstract（参考訳）: インタラクティブなレコメンダシステムは、従来のレコメンダシステム(クリック、アイテム消費、レーティングなど)が使用する原始的なユーザフィードバックの制限を克服するための有望なパラダイムとして登場した。
ユーザーはインテント、好み、制約、コンテキストをよりリッチな方法で表現でき、しばしば自然言語(対面検索や対話を含む)を使って表現することができる。
しかし、このフィードバックを使うための最も効果的な方法を見つけるには、さらなる研究が必要である。
課題の1つは、ユーザのセマンティックな意図を、望ましい項目を記述するためにしばしば使用されるオープンエンドの用語や属性から推測し、それを推奨結果を洗練するために使用することである。
最近開発された機械学習におけるモデル解釈可能性のアプローチである概念アクティベーションベクトル(CAV) [26] を活用して、そのような属性のセマンティクスをキャプチャし、レコメンデーションシステムのユーザの好みや振る舞いに結びつける表現を学習するフレームワークを開発する。
このアプローチの新たな特徴は,主観的属性と主観的属性(主観的度と感覚の両方)を区別し,主観的属性の感覚を異なるユーザと関連付ける能力である。
我々は,CAV表現がユーザの主観的セマンティクスを正確に解釈するだけでなく,インタラクティブな項目評定を通じてレコメンデーションを改善するためにも利用できることを示す。
関連論文リスト
- Towards Empathetic Conversational Recommender Systems [77.53167131692]
本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。
ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。
ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
論文 参考訳（メタデータ） (2024-08-30T15:43:07Z) - Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。
従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。
そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
論文 参考訳（メタデータ） (2023-12-26T15:44:09Z) - Preference Elicitation with Soft Attributes in Interactive
Recommendation [39.74528988497788]
本研究では,ソフト属性を適応し,アイテムと属性に基づく嗜好を引き出す新しい選好選好方法を提案する。
提案手法は,商品とソフト属性の両方を用いてユーザに対してクエリを行い,レコメンデーション品質を改善するために,レコメンデーションシステムの好みに対する信念を更新する。
論文 参考訳（メタデータ） (2023-10-22T17:23:20Z) - Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling [18.297332953450514]
本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。
我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
論文 参考訳（メタデータ） (2023-09-19T08:54:47Z) - Knowledge-grounded Natural Language Recommendation Explanation [11.58207109487333]
自然言語の説明可能なレコメンデーションに対する知識グラフ(KG)アプローチを提案する。
提案手法は,新しいコラボレーティブフィルタリングに基づくKG表現により,ユーザイテムの特徴を引き出す。
実験結果から,提案手法は,従来の自然言語説明推薦モデルよりも一貫して優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-08-30T07:36:12Z) - 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) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - Improving Conversational Recommender Systems via Knowledge Graph based
Semantic Fusion [77.21442487537139]
対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。
まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。
第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
論文 参考訳（メタデータ） (2020-07-08T11:14:23Z) - Feature Interaction Interpretability: A Case for Explaining
Ad-Recommendation Systems via Neural Interaction Detection [14.37985060340549]
ブラックボックスレコメンデータシステムの予測を解釈・拡張する手法を提案する。
また,レコメンデータシステムの構造を仮定しないので,一般的な設定で利用することができる。
論文 参考訳（メタデータ） (2020-06-19T05:14:34Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳（メタデータ） (2020-05-23T08:56:37Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳（メタデータ） (2020-05-04T16:23:34Z)
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。