論文の概要: Model-agnostic post-hoc explainability for recommender systems

• arxiv url: http://arxiv.org/abs/2509.10245v1
• Date: Fri, 12 Sep 2025 13:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.105268
• Title: Model-agnostic post-hoc explainability for recommender systems
• Title（参考訳）: レコメンデータシステムのモデル非依存的ポストホック説明可能性
• Authors: Irina Arévalo, Jose L Salmeron,
• Abstract要約: 我々は,レコメンデーション設定における削除診断の体系的応用,適応,評価を開発する。 提案手法は,モデルの性能を,特定のユーザや項目を使わずにトレーニングした類似モデルと比較し,その観察が推奨者にどのように影響するかを定量化する。 モデルに依存しない性質を示すために、この提案は、広く使われているディープラーニングベースのレコメンデータであるNeural Collaborative Filtering(NCF)と、古典的な協調フィルタリング技術であるSingular Value Decomposition(SVD)の両方に適用される。
• 参考スコア（独自算出の注目度）: 0.3437656066916039
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recommender systems often benefit from complex feature embeddings and deep learning algorithms, which deliver sophisticated recommendations that enhance user experience, engagement, and revenue. However, these methods frequently reduce the interpretability and transparency of the system. In this research, we develop a systematic application, adaptation, and evaluation of deletion diagnostics in the recommender setting. The method compares the performance of a model to that of a similar model trained without a specific user or item, allowing us to quantify how that observation influences the recommender, either positively or negatively. To demonstrate its model-agnostic nature, the proposal is applied to both Neural Collaborative Filtering (NCF), a widely used deep learning-based recommender, and Singular Value Decomposition (SVD), a classical collaborative filtering technique. Experiments on the MovieLens and Amazon Reviews datasets provide insights into model behavior and highlight the generality of the approach across different recommendation paradigms.
• Abstract（参考訳）: リコメンダシステムは、複雑な機能埋め込みとディープラーニングアルゴリズムの恩恵を受けることが多く、ユーザエクスペリエンス、エンゲージメント、収益を高めるための高度なレコメンデーションを提供する。 しかし、これらの手法はシステムの解釈可能性や透明性をしばしば低下させる。 本研究では,レコメンダ設定における削除診断の体系的応用,適応および評価を開発する。 提案手法は,モデルの性能を,特定のユーザや項目を使わずにトレーニングした類似モデルと比較し,その観察が推奨者に与える影響を,肯定的あるいは否定的に定量化する。 モデルに依存しない性質を示すために、この提案は、広く使われているディープラーニングベースのレコメンデータであるNeural Collaborative Filtering(NCF)と、古典的な協調フィルタリング技術であるSingular Value Decomposition(SVD)の両方に適用される。 MovieLensとAmazon Reviewsデータセットの実験は、モデル行動に関する洞察を提供し、さまざまな推奨パラダイムにわたるアプローチの一般性を強調する。

関連論文リスト

• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Heterogeneous Knowledge Fusion: A Novel Approach for Personalized Recommendation via LLM [18.138629220610678]
  本稿では,Large Language Model (LLM) を用いたパーソナライズされたレコメンデーションのための新しいアプローチを提案する。 提案手法は,ユーザの不均一な振る舞いを効果的に統合し,推薦性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-08-07T06:29:20Z)
• 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)
• 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 Recommendation Systems by Generalized Additive Models with Manifest and Latent Interactions [3.022014732234611]
  本稿では,表現的および潜在的相互作用を持つ一般化加法モデルに基づく説明可能なレコメンデーションシステムを提案する。 効率的なモデルトレーニングと結果の視覚化のための新しいPythonパッケージGAMMLIが開発されました。
  論文  参考訳（メタデータ） (2020-12-15T10:29:12Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。