論文の概要: Towards Generating Robust, Fair, and Emotion-Aware Explanations for Recommender Systems

• arxiv url: http://arxiv.org/abs/2208.08017v1
• Date: Wed, 17 Aug 2022 01:49:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:45:49.322563
• Title: Towards Generating Robust, Fair, and Emotion-Aware Explanations for Recommender Systems
• Title（参考訳）: レコメンダシステムにおけるロバスト・フェア・アンド・感情認識説明の生成に向けて
• Authors: Bingbing Wen, Yunhe Feng, Yongfeng Zhang, Chirag Shah
• Abstract要約: EmoTER(Emotion-aware Transformer for Explainable Recommendation)と呼ばれるマルチヘッドトランスを用いた新しい手法を提案する。 EmoTERは、テキストの品質、説明可能性、感情分布に対する公平性の考慮の観点から、既存の最先端の説明生成モデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 32.95840469264453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As recommender systems become increasingly sophisticated and complex, they often suffer from lack of fairness and transparency. Providing robust and unbiased explanations for recommendations has been drawing more and more attention as it can help address these issues and improve trustworthiness and informativeness of recommender systems. However, despite the fact that such explanations are generated for humans who respond more strongly to messages with appropriate emotions, there is a lack of consideration for emotions when generating explanations for recommendations. Current explanation generation models are found to exaggerate certain emotions without accurately capturing the underlying tone or the meaning. In this paper, we propose a novel method based on a multi-head transformer, called Emotion-aware Transformer for Explainable Recommendation (EmoTER), to generate more robust, fair, and emotion-enhanced explanations. To measure the linguistic quality and emotion fairness of the generated explanations, we adopt both automatic text metrics and human perceptions for evaluation. Experiments on three widely-used benchmark datasets with multiple evaluation metrics demonstrate that EmoTER consistently outperforms the existing state-of-the-art explanation generation models in terms of text quality, explainability, and consideration for fairness to emotion distribution. Implementation of EmoTER will be released as an open-source toolkit to support further research.
• Abstract（参考訳）: 推薦システムはますます洗練され複雑になり、公平さと透明性の欠如に悩まされることが多い。 これらの問題に対処し、レコメンデーションシステムの信頼性と情報性を改善するために、堅牢で曖昧なレコメンデーションの説明を提供することがますます注目を集めている。 しかし、適切な感情を持つメッセージにより強く反応する人間に対して、そのような説明が生成されるという事実にもかかわらず、推奨する説明を生成する際の感情に対する考慮が欠如している。 現在の説明生成モデルは、下層のトーンや意味を正確に捉えることなく、特定の感情を誇張している。 本稿では、より堅牢で公平で感情に富んだ説明を生成するためのマルチヘッド変換器であるEmotion-aware Transformer for Explainable Recommendation(EmoTER)を提案する。 生成した説明文の言語的品質と感情的公平性を測定するために,自動テキストメトリクスと人間の知覚を併用して評価を行う。 複数の評価指標で広く使用されている3つのベンチマークデータセットの実験により、EmoTERはテキストの品質、説明可能性、感情分布に対する公平性の観点から、既存の最先端の説明生成モデルよりも一貫して優れていることが示された。 EmoTERの実装は、さらなる研究を支援するオープンソースツールキットとしてリリースされる予定である。

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)
• MAPLE: Enhancing Review Generation with Multi-Aspect Prompt LEarning in Explainable Recommendation [12.874105550787514]
  我々は、MAPLE(Multi-Aspect Prompt LEarner)と呼ばれるパーソナライズされたアスペクト制御モデルを提案する。 レストランドメインにおける2つの実世界レビューデータセットの実験は、MAPLEがテキストの観点からベースラインレビュー生成モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2024-08-19T10:12:52Z)
• Evaluating the Utility of Model Explanations for Model Development [54.23538543168767]
  機械学習モデル構築の実践シナリオにおいて、説明が人間の意思決定を改善するかどうかを評価する。 驚いたことに、サリエンシマップが提供されたとき、タスクが大幅に改善されたという証拠は見つからなかった。 以上の結果から,サリエンシに基づく説明における誤解の可能性と有用性について注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T23:13:23Z)
• Unsupervised Extractive Summarization of Emotion Triggers [56.50078267340738]
  我々は、感情を共同で検出し、トリガーを要約できる新しい教師なし学習モデルを開発した。 Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報と言語理解モジュールを組み合わせたものです。
  論文  参考訳（メタデータ） (2023-06-02T11:07:13Z)
• 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)
• Reevaluating Data Partitioning for Emotion Detection in EmoWOZ [0.0]
  EmoWozは、対話のための感情ラベルを提供するMultiWOZの拡張である。 MultiWOZは、当初別の目的のために分割され、新しい感情認識の目的を考えると、分布の変化が生じる。 この問題に対処し、データセットの分布を改善し、データセットシフトを減らすために、感情タグに基づく階層化サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-15T03:06:13Z)
• Generate Natural Language Explanations for Recommendation [25.670144526037134]
  パーソナライズドレコメンデーションのために,フリーテキストの自然言語説明を作成することを提案する。 特に,パーソナライズされた説明生成のための階層型シーケンス・ツー・シーケンスモデル(hss)を提案する。
  論文  参考訳（メタデータ） (2021-01-09T17:00:41Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• Target Guided Emotion Aware Chat Machine [58.8346820846765]
  意味レベルと感情レベルにおける投稿に対する応答の整合性は、人間のような対話を提供する対話システムにとって不可欠である。 この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-15T01:55:37Z)
• Interacting with Explanations through Critiquing [40.69540222716043]
  本稿では,レビューテキストからレコメンデーションのパーソナライズされた説明を生成する手法を提案する。 我々は,最先端技術による説明よりも,人間の方がこれらの説明をはるかに好んでいることを示す。 私たちの仕事の最も重要なイノベーションは、ユーザーがテキストの説明を批判することでレコメンデーションに反応できることです。
  論文  参考訳（メタデータ） (2020-05-22T09:03:06Z)

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。