論文の概要: Knowledge is Power, Understanding is Impact: Utility and Beyond Goals, Explanation Quality, and Fairness in Path Reasoning Recommendation

• arxiv url: http://arxiv.org/abs/2301.05944v1
• Date: Sat, 14 Jan 2023 16:18:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 18:06:48.043274
• Title: Knowledge is Power, Understanding is Impact: Utility and Beyond Goals, Explanation Quality, and Fairness in Path Reasoning Recommendation
• Title（参考訳）: 知識は力であり、理解は影響する: ユーティリティとゴールを超えて、説明品質、そして、パス推論勧告の公正性
• Authors: Giacomo Balloccu, Ludovico Boratto, Christian Cancedda, Gianni Fenu, Mirko Marras
• Abstract要約: パス推論は、高次のユーザ-製品関係をモデル化する注目すべきレコメンデーションアプローチである。 トップ階層の会議で提案された3つの最先端のパス推論レコメンデーション手法を再現した。 我々は,推奨効用,目的,品質の説明,消費者および提供者の公正性を満足する程度について検討した。
• 参考スコア（独自算出の注目度）: 12.925021362985987
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Path reasoning is a notable recommendation approach that models high-order user-product relations, based on a Knowledge Graph (KG). This approach can extract reasoning paths between recommended products and already experienced products and, then, turn such paths into textual explanations for the user. Unfortunately, evaluation protocols in this field appear heterogeneous and limited, making it hard to contextualize the impact of the existing methods. In this paper, we replicated three state-of-the-art relevant path reasoning recommendation methods proposed in top-tier conferences. Under a common evaluation protocol, based on two public data sets and in comparison with other knowledge-aware methods, we then studied the extent to which they meet recommendation utility and beyond objectives, explanation quality, and consumer and provider fairness. Our study provides a picture of the progress in this field, highlighting open issues and future directions. Source code: \url{https://github.com/giacoballoccu/rep-path-reasoning-recsys}.
• Abstract（参考訳）: 経路推論は知識グラフ(kg)に基づいて高次ユーザ-製品関係をモデル化する注目すべき推奨アプローチである。 このアプローチは、推奨製品と経験豊富な製品の間の推論パスを抽出し、そのパスをユーザのためのテキスト説明に変換する。 残念ながら、この分野における評価プロトコルは不均一で限定的であり、既存の手法の影響を文脈化することは困難である。 本稿では,トップクラスのカンファレンスで提案されている3つの関連する経路推論推薦手法を再現した。 2つの公開データセットをベースとした共通評価プロトコルと,他の知識認識手法との比較により,提案手法が目的,説明品質,消費者および提供者公正性にどの程度適合しているかを検討した。 本研究は,この分野の進捗状況と今後の方向性について概説する。 ソースコード: \url{https://github.com/giacoballoccu/rep-path-reasoning-recsys}

関連論文リスト

• CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs [34.83895369861899]
  本稿では,知識グラフに対する説明可能なレコメンデーションのためのカテゴリ認識型二エージェント強化学習モデルを提案する。 本モデルは,(1)近隣のエンティティやカテゴリからコンテキスト対応のアイテム表現を共同でキャプチャするカテゴリ対応グラフニューラルネットワークと,(2)2つのエージェントが効率的に長い経路をたどって適切な項目を探索するデュアルエージェントRLフレームワークの2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-06T13:07:08Z)
• How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics [0.2537383030441368]
  本稿では,項目カタログ上のユーザインタラクションを符号化することで,知識グラフに基づくレコメンデーションシステムを提案する。 本研究は,ネットワークレベルのKG測定値が推薦のサプライズ度に影響を及ぼすかどうかを考察する。 我々は、LastFMリスニング履歴と合成Netflix視聴プロファイルの2つのデータセットに対するアプローチを実験的に評価した。
  論文  参考訳（メタデータ） (2024-05-14T09:38:44Z)
• Anchoring Path for Inductive Relation Prediction in Knowledge Graphs [69.81600732388182]
  APSTはAPとCPを統一されたSentence Transformerアーキテクチャの入力として扱う。 我々は3つの公開データセット上でAPSTを評価し、36のトランスダクティブ、インダクティブ、および数ショットの実験的設定のうち30の最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2023-12-21T06:02:25Z)
• CRAFT: Concept Recursive Activation FacTorization for Explainability [5.306341151551106]
  CRAFTは概念に基づく説明を生成することによって、"What"と"where"の両方を識別する新しいアプローチである。 提案手法の利点を実証するために,人間とコンピュータの視覚実験を行った。
  論文  参考訳（メタデータ） (2022-11-17T14:22:47Z)
• Inferring Substitutable and Complementary Products with Knowledge-Aware Path Reasoning based on Dynamic Policy Network [15.723090822315454]
  ある製品に対して置換可能な相補的な製品を推測することは、レコメンダシステムにとって必須かつ基本的な関心事である。 既存のアプローチは知識グラフを利用して推論の証拠をより多く学ぶが、エレガントな意思決定戦略が欠如しているため、しばしば無効な推論に悩まされる。 本稿では、動的ポリシーネットワークを活用して知識グラフに対する明確な推論を行う新しい知識認識経路推論(KAPR)モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-07T09:00:36Z)
• Rating and aspect-based opinion graph embeddings for explainable recommendations [69.9674326582747]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpが6つのドメインで生成したグラフに対して、最先端のグラフ埋め込み技術を適用し、評価し、ベースラインレコメンデータを上回っます。
  論文  参考訳（メタデータ） (2021-07-07T14:07:07Z)
• Graphing else matters: exploiting aspect opinions and ratings in explainable graph-based recommendations [66.83527496838937]
  本稿では,テキストレビューで表現された評価情報とアスペクトベースの意見を組み合わせたグラフから抽出した埋め込みを活用することを提案する。 次に、AmazonとYelpの6つのドメインのレビューから生成されたグラフに対して、最先端のグラフ埋め込み技術を適用して評価する。 提案手法は,推奨項目について利用者が提示したアスペクトベースの意見を活用した説明を提供することの利点がある。
  論文  参考訳（メタデータ） (2021-07-07T13:57:28Z)
• Joint Semantics and Data-Driven Path Representation for Knowledge Graph Inference [60.048447849653876]
  我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。 提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
  論文  参考訳（メタデータ） (2020-10-06T10:24:45Z)
• Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
  本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。 さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
  論文  参考訳（メタデータ） (2020-04-17T08:05:33Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)
• Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
  本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。 エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。 その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-17T03:33:41Z)

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。