論文の概要: Tell Me the Good Stuff: User Preferences in Movie Recommendation Explanations

• arxiv url: http://arxiv.org/abs/2505.03376v1
• Date: Tue, 06 May 2025 09:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.317523
• Title: Tell Me the Good Stuff: User Preferences in Movie Recommendation Explanations
• Title（参考訳）: 映画レコメンデーション・エクスプメンテーションにおけるユーザの嗜好を教えてくれ
• Authors: Juan Ahmad, Jonas Hellgren, Alan Said,
• Abstract要約: 人気映画のレコメンデーションにおいて,片面(純粋に肯定的)と両面(肯定的,否定的)の特徴に基づく説明のユーザ認知について検討した。 本研究は,人気映画レコメンデーションなどのエンターテイメント分野において,よりシンプルな肯定的な説明がより効果的である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.9012198585960443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems play a vital role in helping users discover content in streaming services, but their effectiveness depends on users understanding why items are recommended. In this study, explanations were based solely on item features rather than personalized data, simulating recommendation scenarios. We compared user perceptions of one-sided (purely positive) and two-sided (positive and negative) feature-based explanations for popular movie recommendations. Through an online study with 129 participants, we examined how explanation style affected perceived trust, transparency, effectiveness, and satisfaction. One-sided explanations consistently received higher ratings across all dimensions. Our findings suggest that in low-stakes entertainment domains such as popular movie recommendations, simpler positive explanations may be more effective. However, the results should be interpreted with caution due to potential confounding factors such as item familiarity and the placement of negative information in explanations. This work provides practical insights for explanation design in recommender interfaces and highlights the importance of context in shaping user preferences.
• Abstract（参考訳）: リコメンダシステムは、ユーザーがストリーミングサービスでコンテンツを発見するのを助ける上で重要な役割を果たすが、その効果は、なぜアイテムが推奨されるのかを理解するユーザによって異なる。 本研究では、パーソナライズされたデータではなく、項目の特徴のみに基づく説明を行い、レコメンデーションシナリオをシミュレートした。 人気映画のレコメンデーションにおいて,一方(正)と両側(正・負)の特徴に基づく説明のユーザ認識を比較した。 参加者129名を対象にオンライン調査を行い, 信頼感, 透明性, 有効性, 満足度に対する説明様式の影響について検討した。 片面の説明はあらゆる次元で常に高い評価を受けた。 本研究は,人気映画レコメンデーションなどのエンターテイメント分野において,よりシンプルな肯定的な説明がより効果的である可能性が示唆された。 しかし、アイテムの親しみや説明におけるネガティブな情報の配置など、潜在的に相反する要因により、結果は慎重に解釈されるべきである。 この研究は、レコメンデータインタフェースにおける説明設計のための実践的な洞察を提供し、ユーザの好みを形作る上でのコンテキストの重要性を強調する。

関連論文リスト

• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Whom do Explanations Serve? A Systematic Literature Survey of User Characteristics in Explainable Recommender Systems Evaluation [7.021274080378664]
  ユーザ調査では,レコメンダシステムの説明が評価された124の論文を調査した。 本研究の結果は,主に特定のユーザを対象としていることが明らかとなった。 より包括的で再現可能な評価に向けた行動を提案する。
  論文  参考訳（メタデータ） (2024-12-12T13:01:30Z)
• Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
  実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。 参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。 この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T07:36:08Z)
• A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
  選好選好における選好バイアスの影響について検討した。 大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。 本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-05-01T14:56:56Z)
• Large Language Models as Conversational Movie Recommenders: A User Study [3.3636849604467]
  大規模言語モデル(LLM)は、強い推薦性を提供するが、全体的なパーソナライゼーション、多様性、ユーザ信頼は欠如している。 LLMは、あまり知られていない映画やニッチ映画を推薦する能力を高めている。
  論文  参考訳（メタデータ） (2024-04-29T20:17:06Z)
• 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)
• 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)
• 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)
• 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)
• Hybrid Deep Embedding for Recommendations with Dynamic Aspect-Level Explanations [60.78696727039764]
  アスペクトベースの説明可能なレコメンデーションのためのHybrid Deep Embeddingと呼ばれる新しいモデルを提案する。 HDEの主な考え方は、評価予測のためにユーザとアイテムの動的埋め込みを学ぶことである。 ユーザ/イテムのアスペクトの好みや品質が自動的に学習されるため、HDEは、ユーザや項目のレビューで言及されていないアスペクトの影響を捉えることができる。
  論文  参考訳（メタデータ） (2020-01-18T13:16:32Z)

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。