論文の概要: A Plug-and-play Model-agnostic Embedding Enhancement Approach for Explainable Recommendation

• arxiv url: http://arxiv.org/abs/2509.03130v1
• Date: Wed, 03 Sep 2025 08:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.463264
• Title: A Plug-and-play Model-agnostic Embedding Enhancement Approach for Explainable Recommendation
• Title（参考訳）: 説明可能なレコメンデーションのためのPlug-and-playモデルに依存しない埋め込み強化手法
• Authors: Yunqi Mi, Boyang Yan, Guoshuai Zhao, Jialie Shen, Xueming Qian,
• Abstract要約: RVRecは、プラグアンドプレイのモデルに依存しない埋め込み拡張アプローチである。 既存のシステムのパーソナリティと説明可能性の両方を改善することができる。
• 参考スコア（独自算出の注目度）: 35.78577182946339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing multimedia recommender systems provide users with suggestions of media by evaluating the similarities, such as games and movies. To enhance the semantics and explainability of embeddings, it is a consensus to apply additional information (e.g., interactions, contexts, popularity). However, without systematic consideration of representativeness and value, the utility and explainability of embedding drops drastically. Hence, we introduce RVRec, a plug-and-play model-agnostic embedding enhancement approach that can improve both personality and explainability of existing systems. Specifically, we propose a probability-based embedding optimization method that uses a contrastive loss based on negative 2-Wasserstein distance to learn to enhance the representativeness of the embeddings. In addtion, we introduce a reweighing method based on multivariate Shapley values strategy to evaluate and explore the value of interactions and embeddings. Extensive experiments on multiple backbone recommenders and real-world datasets show that RVRec can improve the personalization and explainability of existing recommenders, outperforming state-of-the-art baselines.
• Abstract（参考訳）: 既存のマルチメディアレコメンデータシステムは、ゲームや映画のような類似性を評価することによって、メディアの提案を提供する。 埋め込みのセマンティクスと説明可能性を高めるために、追加情報(例えば、インタラクション、コンテキスト、人気度)を適用することはコンセンサスである。 しかし, 代表性や価値を体系的に考慮しなければ, 組込みの実用性と説明可能性は大きく低下する。 そこで本研究では,既存システムのパーソナリティと説明可能性の両方を改善するための,プラグアンドプレイに依存しない埋め込み拡張アプローチであるRVRecを紹介する。 具体的には, 負の2-ワッサーシュタイン距離に基づく相対的損失を用いた確率に基づく埋め込み最適化手法を提案し, 埋め込みの表現性を向上する。 さらに,多変量シェープ値戦略に基づくリウィーディング手法を導入し,インタラクションや埋め込みの価値を評価し,検討する。 複数のバックボーンレコメンデータと実世界のデータセットに対する大規模な実験は、RVRecが既存のレコメンデータのパーソナライズと説明性を向上し、最先端のベースラインを上回っていることを示している。

関連論文リスト

• Balancing Semantic Relevance and Engagement in Related Video Recommendations [21.2575040646784]
  関連ビデオレコメンデーションでは、協調フィルタリング(CF)をコエンゲージメント信号で駆動するのが一般的である。 本稿では,意味的関連性とユーザエンゲージメントのバランスをとるために,新しい多目的検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T21:04:25Z)
• Enhancing Recommendation Explanations through User-Centric Refinement [7.640281193938638]
  本稿では、既存の説明可能なレコメンデータモデルによって生成された最初の説明を洗練する新しいパラダイムを提案する。 具体的には,大規模言語モデルに基づくマルチエージェント協調改良フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T12:08:18Z)
• 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)
• Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
  RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。 因果的観点からRSを定式化し、二元的介入として勧告を定式化する。 提案手法では,結果の一致を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2024-08-19T07:21:02Z)
• Sustainable techniques to improve Data Quality for training image-based explanatory models for Recommender Systems [2.9748898344267785]
  我々は、Responsible AIの原則に沿って、Recommender Systems(RS)により良い視覚的説明を提供することを目指している。 データ品質のトレーニングに重点を置く3つの新しい戦略を開発します。 これらの戦略を最先端の3つの説明可能性モデルに統合することで、これらの視覚ベースのRS説明可能性モデルの関連指標の5%のパフォーマンスが、実用的長期持続可能性のペナルティを伴わずに向上する。
  論文  参考訳（メタデータ） (2024-07-09T10:40:31Z)
• 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)
• Explainable Recommendation via Interpretable Feature Mapping and Evaluation of Explainability [22.58823484394866]
  実験結果は、推奨と説明の両方において強力なパフォーマンスを示し、メタデータの必要性を排除した。 本稿では,解釈不能な一般特徴を解釈不能な側面特徴にマッピングする新しい特徴マッピング手法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T23:49:12Z)

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。