論文の概要: Counterfactual Language Reasoning for Explainable Recommendation Systems

• arxiv url: http://arxiv.org/abs/2503.08051v1
• Date: Tue, 11 Mar 2025 05:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:44:12.724859
• Title: Counterfactual Language Reasoning for Explainable Recommendation Systems
• Title（参考訳）: 説明可能なレコメンデーションシステムのための対物的言語推論
• Authors: Guanrong Li, Haolin Yang, Xinyu Liu, Zhen Wu, Xinyu Dai,
• Abstract要約: 本稿では,大規模言語モデルと構造因果モデルを統合し,推薦パイプラインにおける因果一貫性を確立する新しい枠組みを提案する。 提案手法は,因果グラフ構築と反現実的調整を通じて,因果グラフの予測を推奨するための因果的先行要因として説明因子を強制する。 本稿では,CausalXが推奨精度,説明可能性,バイアス軽減において,ベースラインに比べて優れた性能を発揮することを示す。
• 参考スコア（独自算出の注目度）: 36.76537906002456
• License:
• Abstract: Explainable recommendation systems leverage transparent reasoning to foster user trust and improve decision-making processes. Current approaches typically decouple recommendation generation from explanation creation, violating causal precedence principles where explanatory factors should logically precede outcomes. This paper introduces a novel framework integrating structural causal models with large language models to establish causal consistency in recommendation pipelines. Our methodology enforces explanation factors as causal antecedents to recommendation predictions through causal graph construction and counterfactual adjustment. We particularly address the confounding effect of item popularity that distorts personalization signals in explanations, developing a debiasing mechanism that disentangles genuine user preferences from conformity bias. Through comprehensive experiments across multiple recommendation scenarios, we demonstrate that CausalX achieves superior performance in recommendation accuracy, explanation plausibility, and bias mitigation compared to baselines.
• Abstract（参考訳）: 説明可能なレコメンデーションシステムは透明な推論を利用してユーザの信頼を高め、意思決定プロセスを改善する。 現在のアプローチでは、説明的要因が論理的に結果に先行すべき因果優先原則に違反して、説明的生成からレコメンデーション生成を分離するのが一般的である。 本稿では,大規模言語モデルと構造因果モデルを統合し,推薦パイプラインにおける因果一貫性を確立する新しい枠組みを提案する。 提案手法は,因果グラフ構築と反現実的調整を通じて,因果グラフの予測を推奨するための因果的先行要因として説明因子を強制する。 特に,パーソナライゼーションのシグナルを歪ませるアイテムの人気度合いの低下に対処し,適合性バイアスから真のユーザの嗜好を歪ませるデバイアス機構を開発する。 複数のレコメンデーションシナリオにわたる総合的な実験を通じて、CausalXは、ベースラインと比較して、推奨精度、説明可能性、バイアス軽減において優れたパフォーマンスを達成することを実証する。

関連論文リスト

• AOTree: Aspect Order Tree-based Model for Explainable Recommendation [24.065684646927927]
  本稿では,認知心理学や意思決定心理学のオーダーエフェクト理論に触発された,アスペクト・オーダー・ツリー・ベース(AOTree)の説明可能なレコメンデーション手法を提案する。 提案手法は,特定の順序で説明を表示することによって,ユーザの意思決定プロセスと一貫性を保ち,解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-07-29T12:17:48Z)
• Stability of Explainable Recommendation [10.186029242664931]
  既存の特徴指向の説明可能なレコメンデーションの脆弱性について検討する。 我々は、全ての説明可能なモデルが騒音レベルの増加に弱いことを観察する。 本研究は,レコメンデーションシステムにおけるロバストな説明の話題について,実証的な検証を行った。
  論文  参考訳（メタデータ） (2024-05-03T04:44:51Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• 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)
• 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)
• CausPref: Causal Preference Learning for Out-of-Distribution Recommendation [36.22965012642248]
  現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。 本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。 当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-08T16:42:03Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)
• Learning Post-Hoc Causal Explanations for Recommendation [43.300372759620664]
  我々は,ブラックボックスのシーケンシャルレコメンデーション機構に対するポストホックな説明として,ユーザインタラクション履歴から因果ルールを抽出する。 提案手法は摂動モデルを用いて擬似実例を実現し, パーソナライズされた因果関係をレコメンデーションモデルに抽出する。 いくつかの最先端のシーケンシャルレコメンデーションモデルと実世界のデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2020-06-30T17:14:12Z)

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。