論文の概要: RecXplainer: Amortized Attribute-based Personalized Explanations for
Recommender Systems
- arxiv url: http://arxiv.org/abs/2211.14935v2
- Date: Tue, 29 Aug 2023 19:52:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-31 17:51:08.141330
- Title: RecXplainer: Amortized Attribute-based Personalized Explanations for
Recommender Systems
- Title（参考訳）: recxplainer:レコメンダシステムのための属性ベースのパーソナライズド説明
- Authors: Sahil Verma, Chirag Shah, John P. Dickerson, Anurag Beniwal, Narayanan
Sadagopan, Arjun Seshadri
- Abstract要約: 提案するRecXplainerは,推奨項目の属性に対するユーザの好みに基づいた,きめ細かい説明を生成する手法である。
我々はRecXplainerを5つの実世界および大規模レコメンデーションデータセットで評価する。
- 参考スコア（独自算出の注目度）: 35.57265154621778
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recommender systems influence many of our interactions in the digital world
-- impacting how we shop for clothes, sorting what we see when browsing YouTube
or TikTok, and determining which restaurants and hotels we are shown when using
hospitality platforms. Modern recommender systems are large, opaque models
trained on a mixture of proprietary and open-source datasets. Naturally, issues
of trust arise on both the developer and user side: is the system working
correctly, and why did a user receive (or not receive) a particular
recommendation? Providing an explanation alongside a recommendation alleviates
some of these concerns. The status quo for auxiliary recommender system
feedback is either user-specific explanations (e.g., "users who bought item B
also bought item A") or item-specific explanations (e.g., "we are recommending
item A because you watched/bought item B"). However, users bring personalized
context into their search experience, valuing an item as a function of that
item's attributes and their own personal preferences. In this work, we propose
RecXplainer, a novel method for generating fine-grained explanations based on a
user's preferences over the attributes of recommended items. We evaluate
RecXplainer on five real-world and large-scale recommendation datasets using
five different kinds of recommender systems to demonstrate the efficacy of
RecXplainer in capturing users' preferences over item attributes and using them
to explain recommendations. We also compare RecXplainer to five baselines and
show RecXplainer's exceptional performance on ten metrics.
- Abstract（参考訳）: YouTubeやTikTokを閲覧するときの服の買い物の仕方や、ホスピタリティ・プラットフォームを使うときに表示されているレストランやホテルの仕方など、レコメンダー・システムはデジタル世界の多くの相互作用に影響を与える。
現代の推奨システムは、プロプライエタリなデータセットとオープンソースデータセットの混合に基づいてトレーニングされた、大きく不透明なモデルである。
当然、開発者とユーザの両方に信頼の問題が発生する。システムは正しく動作しているのか、ユーザが特別なレコメンデーションを受け(あるいは受け取らないのか?
勧告とともに説明を提供することは、これらの懸念を和らげる。
補助レコメンダシステムのフィードバックの現在の状況は、ユーザ固有の説明(例えば、"アイテムbも購入したアイテムa")か、アイテム固有の説明(例えば、"アイテムaを見た/購入したアイテムbを推奨する")のいずれかである。
しかし,ユーザが検索体験にパーソナライズされたコンテキストを持ち込み,その項目の属性と個人の好みの関数としてアイテムを評価する。
本稿では,推奨項目の属性に対するユーザの嗜好に基づく詳細な説明を生成するための新しい手法である recxplainer を提案する。
5種類のレコメンデーションシステムを用いて,RecXplainerを実世界および大規模5つのレコメンデーションデータセット上で評価し,レコメンデーション属性に対するユーザの好みを把握し,それらを用いてレコメンデーションを説明する。
また、RecXplainerを5つのベースラインと比較し、RecXplainerの優れたパフォーマンスを10のメトリクスで示す。
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。