論文の概要: Combining Embedding-Based and Semantic-Based Models for Post-hoc Explanations in Recommender Systems

• arxiv url: http://arxiv.org/abs/2401.04474v1
• Date: Tue, 9 Jan 2024 10:24:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 16:10:07.004501
• Title: Combining Embedding-Based and Semantic-Based Models for Post-hoc Explanations in Recommender Systems
• Title（参考訳）: レコメンダシステムにおける埋め込みモデルとセマンティクスモデルの組み合わせによるポストホックな説明
• Authors: Ngoc Luyen Le and Marie-H\'el\`ene Abel and Philippe Gouspillou
• Abstract要約: 本稿では,埋め込みモデルとセマンティックモデルを組み合わせて,レコメンダシステムにおけるポストホックな説明を生成する手法を提案する。 私たちが定義したフレームワークは、意味があり分かりやすい説明を生み出し、ユーザの信頼と満足度を高め、eコマース分野におけるレコメンダシステムの採用を促進することを目的としています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In today's data-rich environment, recommender systems play a crucial role in decision support systems. They provide to users personalized recommendations and explanations about these recommendations. Embedding-based models, despite their widespread use, often suffer from a lack of interpretability, which can undermine trust and user engagement. This paper presents an approach that combines embedding-based and semantic-based models to generate post-hoc explanations in recommender systems, leveraging ontology-based knowledge graphs to improve interpretability and explainability. By organizing data within a structured framework, ontologies enable the modeling of intricate relationships between entities, which is essential for generating explanations. By combining embedding-based and semantic based models for post-hoc explanations in recommender systems, the framework we defined aims at producing meaningful and easy-to-understand explanations, enhancing user trust and satisfaction, and potentially promoting the adoption of recommender systems across the e-commerce sector.
• Abstract（参考訳）: 今日のデータ豊富な環境では、レコメンダシステムは意思決定支援システムにおいて重要な役割を果たす。 これらの推奨についてパーソナライズされたレコメンデーションと説明を提供する。 埋め込みベースのモデルは広く使われているにもかかわらず、しばしば解釈可能性の欠如に悩まされ、信頼とユーザーのエンゲージメントを損なう。 本稿では,埋め込み型モデルと意味型モデルを組み合わせて,オントロジーに基づく知識グラフを活用して解釈性と説明可能性を向上させる手法を提案する。 構造化されたフレームワーク内でデータを整理することで、オントロジーはエンティティ間の複雑な関係のモデリングを可能にする。 私たちが定義したフレームワークは、レコメンデーションシステムにおけるポストホックな説明のための埋め込みモデルとセマンティックベースのモデルを組み合わせることで、意味があり分かりやすい説明を生み出し、ユーザの信頼と満足度を高め、eコマースセクターにおけるレコメンデーターシステムの採用を促進することを目的としています。

関連論文リスト

• Review of Explainable Graph-Based Recommender Systems [2.1711205684359247]
  本稿では,説明可能なグラフベースレコメンデータシステムの最先端のアプローチについて論じる。 それは、学習方法、説明方法、説明型という3つの側面に基づいて分類する。
  論文  参考訳（メタデータ） (2024-07-31T21:30:36Z)
• Aligning Explanations for Recommendation with Rating and Feature via Maximizing Mutual Information [29.331050754362803]
  現在の説明生成手法は,既存のユーザレビューを模倣する目的で一般的に訓練されている。 MMIフレームワークと呼ばれるフレキシブルなモデルに依存しない手法を提案し、生成した自然言語の説明と予測された評価/重要項目の特徴との整合性を高める。 私たちのMMIフレームワークは、さまざまなバックボーンモデルを強化し、予測された評価やアイテム機能との整合性の観点から、既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-07-18T08:29:55Z)
• XRec: Large Language Models for Explainable Recommendation [5.615321475217167]
  我々は、XRecと呼ばれるモデルに依存しないフレームワークを導入し、大規模言語モデルがレコメンデーションシステムにおけるユーザの振る舞いを説明することを可能にする。 我々の実験は、説明可能なレコメンデータシステムにおいて、ベースラインアプローチよりも優れた、包括的で意味のある説明を生成するXRecの能力を実証した。
  論文  参考訳（メタデータ） (2024-06-04T14:55:14Z)
• Context-aware explainable recommendations over knowledge graphs [0.0]
  本稿では,ユーザのコンテキストに適応した好みをモデル化するエンド・ツー・エンドのフレームワークを提案する。 このフレームワークは、アイテムのコンテキストや特徴など、さまざまな要因に対するユーザの関心を捉えます。 より具体的には、このフレームワークはユーザーのコンテキストに適合した好みをモデル化し、与えられたコンテキストに適応した説明を提供する。
  論文  参考訳（メタデータ） (2023-10-24T19:30:31Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• From Intrinsic to Counterfactual: On the Explainability of Contextualized Recommender Systems [43.93801836660617]
  本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。 モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。 我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
  論文  参考訳（メタデータ） (2021-10-28T01:54:04Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
  説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。 本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:30:48Z)

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。