論文の概要: RecXplainer: Post-Hoc Attribute-Based Explanations for Recommender Systems

• arxiv url: http://arxiv.org/abs/2211.14935v1
• Date: Sun, 27 Nov 2022 21:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 16:50:59.366235
• Title: RecXplainer: Post-Hoc Attribute-Based Explanations for Recommender Systems
• Title（参考訳）: RecXplainer: Recommenderシステムのためのポストホック属性に基づく説明
• Authors: Sahil Verma, Anurag Beniwal, Narayanan Sadagopan, Arjun Seshadri
• Abstract要約: 本稿では,推奨項目の属性に対するユーザの好みに基づいて,よりきめ細かい説明を生成するための新しい手法であるRecXplainerを提案する。 実世界のデータセットを用いて実験を行い、ユーザの好みを捉えてレコメンデーションを説明するのにRecXplainerの有効性を実証する。
• 参考スコア（独自算出の注目度）: 3.288086999241324
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recommender systems are ubiquitous in most of our interactions in the current digital world. Whether shopping for clothes, scrolling YouTube for exciting videos, or searching for restaurants in a new city, the recommender systems at the back-end power these services. Most large-scale recommender systems are huge models trained on extensive datasets and are black-boxes to both their developers and end-users. Prior research has shown that providing recommendations along with their reason enhances trust, scrutability, and persuasiveness of the recommender systems. Recent literature in explainability has been inundated with works proposing several algorithms to this end. Most of these works provide item-style explanations, i.e., `We recommend item A because you bought item B.' We propose a novel approach, RecXplainer, to generate more fine-grained explanations based on the user's preference over the attributes of the recommended items. We perform experiments using real-world datasets and demonstrate the efficacy of RecXplainer in capturing users' preferences and using them to explain recommendations. We also propose ten new evaluation metrics and compare RecXplainer to six baseline methods.
• Abstract（参考訳）: 現在のデジタル世界では、リコメンダシステムは、ほとんどのインタラクションにおいてユビキタスです。 衣料品の買い物、youtubeでエキサイティングなビデオのスクロール、新しい都市のレストランの検索など、バックエンドのレコメンデーションシステムはこれらのサービスを動かしている。 ほとんどの大規模レコメンデータシステムは、広範なデータセットでトレーニングされた巨大なモデルであり、開発者とエンドユーザの両方にとってブラックボックスである。 先行研究では、レコメンデーションの提供とその理由が、レコメンデーションシステムの信頼性、精査性、説得力を高めることが示されている。 説明可能性に関する最近の文献では、この目的のためにいくつかのアルゴリズムを提案している。 これらの作品のほとんどはアイテムスタイルの説明を提供しており、例えば「アイテムbを買ったので、アイテムaを推奨します。 「我々は,推奨項目の属性に対するユーザの嗜好に基づいて,よりきめ細かい説明を行うための新しいアプローチであるRecXplainerを提案する。 実世界のデータセットを用いて実験を行い、ユーザの好みを捉えてレコメンデーションを説明する上でRecXplainerの有効性を示す。 また,新しい評価指標を10種類提案し,RecXplainerを6種類のベースライン手法と比較した。

関連論文リスト

• User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations [96.45414741693119]
  本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。 反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
  論文  参考訳（メタデータ） (2023-08-02T01:13:36Z)
• 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)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• 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)
• 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)
• 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)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)
• 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)
• 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。