論文の概要: Curr-RLCER:Curriculum Reinforcement Learning For Coherence Explainable Recommendation

• arxiv url: http://arxiv.org/abs/2604.05341v1
• Date: Tue, 07 Apr 2026 02:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.578718
• Title: Curr-RLCER:Curriculum Reinforcement Learning For Coherence Explainable Recommendation
• Title（参考訳）: Curr-RLCER:Curriculum Reinforcement Learning for Coherence Explainable Recommendation
• Authors: Xiangchen Pan, Wei Wei,
• Abstract要約: Curr-RLCERは、動的レーティングアライメントを伴うコヒーレントなリコメンデーションのための強化学習フレームワークである。 カリキュラム学習を採用し、基本的な予測からオープンな推奨説明生成へと移行している。 3つの推奨データセットに関する実験結果から,提案手法が有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 5.971765441013208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable recommendation systems (RSs) are designed to explicitly uncover the rationale of each recommendation, thereby enhancing the transparency and credibility of RSs. Previous methods often jointly predicted ratings and generated explanations, but overlooked the incoherence of such two objectives. To address this issue, we propose Curr-RLCER, a reinforcement learning framework for explanation coherent recommendation with dynamic rating alignment. It employs curriculum learning, transitioning from basic predictions (i.e., click through rating-CTR, selection-based rating) to open-ended recommendation explanation generation. In particular, the rewards of each stage are designed for progressively enhancing the stability of RSs. Furthermore, a coherence-driven reward mechanism is also proposed to enforce the coherence between generated explanations and predicted ratings, supported by a specifically designed evaluation scheme. The extensive experimental results on three explainable recommendation datasets indicate that the proposed framework is effective. Codes and datasets are available at https://github.com/pxcstart/Curr-RLCER.
• Abstract（参考訳）: 説明可能なレコメンデーションシステム(RS)は、各レコメンデーションの理論的根拠を明確に明らかにし、RSの透明性と信頼性を高めるように設計されている。 それまでの方法は、しばしば共同で評価を予測し、説明を作成したが、そのような2つの目的の一貫性を見落としていた。 この問題に対処するために、動的レーティングアライメントを伴うコヒーレントなリコメンデーションのための強化学習フレームワークであるCurr-RLCERを提案する。 カリキュラム学習を採用しており、基本的な予測(例えば、評価CTR、選択に基づく評価)からオープンな推奨説明生成へと移行している。 特に、各ステージの報酬は、RSの安定性を徐々に向上させるように設計されている。 さらに、特に設計された評価スキームによって支持された、生成した説明と予測された評価との間の一貫性を強制するコヒーレンス駆動報酬機構も提案されている。 3つのレコメンデーションデータセットの広範な実験結果から,提案フレームワークの有効性が示唆された。 コードとデータセットはhttps://github.com/pxcstart/Curr-RLCERで公開されている。

関連論文リスト

• Shielded RecRL: Explanation Generation for Recommender Systems without Ranking Degradation [0.17188280334580197]
  Shielded RecRLは、レコメンダシステムのためのパーソナライズされた説明を生成するための強化学習アプローチである。 以上の結果から,Shieled RecRLは,コアレコメンデーションの精度を低下させることなく,リッチでパーソナライズされた説明を通じて,レコメンデーションのユーザ側の側面を強化することが示唆された。
  論文  参考訳（メタデータ） (2025-10-14T16:37:48Z)
• Towards Comprehensible Recommendation with Large Language Model Fine-tuning [41.218487308635126]
  本稿では,コラボレーティブ・パースペクティブ・フレームワーク(CURec)によるレコメンデーションシステムのための新しいコンテンツ理解手法を提案する。 Curecは、より包括的なレコメンデーションのために、協調的なコンテンツ機能を生成する。 公開ベンチマークの実験では、既存の方法よりもCURecの方が優れていることが示されている。
  論文  参考訳（メタデータ） (2025-08-11T03:55:31Z)
• RAG-Zeval: Towards Robust and Interpretable Evaluation on RAG Responses through End-to-End Rule-Guided Reasoning [64.46921169261852]
  RAG-Zevalは、ルール誘導推論タスクとして忠実さと正しさの評価を定式化する、新しいエンドツーエンドフレームワークである。 提案手法は、強化学習による評価者を訓練し、コンパクトなモデルにより包括的および音質評価を生成する。 実験では、RAG-Zevalの優れた性能を示し、人間の判断と最も強い相関性を達成した。
  論文  参考訳（メタデータ） (2025-05-28T14:55:33Z)
• 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)
• Concept -- An Evaluation Protocol on Conversational Recommender Systems with System-centric and User-centric Factors [68.68418801681965]
  本稿では,システムとユーザ中心の要素を統合した新しい包括的評価プロトコルであるConceptを提案する。 まず、現在のCRSモデルの長所と短所を概観する。 第二に、「全能」なChatGPTにおける低ユーザビリティの問題を特定し、CRSを評価するための包括的なリファレンスガイドを提供する。
  論文  参考訳（メタデータ） (2024-04-04T08:56:48Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• Towards Explainable Conversational Recommender Systems [44.26020239452129]
  推薦システムにおける説明は、ユーザが推薦の合理性を理解するのに役立つ。 会話環境においては、複数のコンテキスト化された説明を生成する必要がある。 本稿では,従来のレコメンデーションシステムの概念と,レコメンデーションシステムの特徴に基づく10つの評価視点を提案する。
  論文  参考訳（メタデータ） (2023-05-27T07:36:08Z)

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。