論文の概要: Contrastive Learning for Aspect Representation towards Explainable Recommendation

• arxiv url: http://arxiv.org/abs/2610.07761v1
• Date: Tue, 06 Oct 2026 04:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.817466
• Title: Contrastive Learning for Aspect Representation towards Explainable Recommendation
• Title（参考訳）: 説明可能なレコメンデーションに向けたアスペクト表現のためのコントラスト学習
• Abstract要約: 提案フレームワークは,評価に基づく特徴とアスペクトに基づく特徴をレビューから組み合わせ,ユーザとアイテムの表現を学習する。 我々は、評価とアスペクトベースの両方の特徴をコンテキストとして、ユーザとアイテムの最終的な表現を用いて、トランスフォーマーデコーダを訓練する。 3つのベンチマークデータセットによる実験結果から,提案手法は推奨(精度)と説明生成の両方において,ベースライン法よりも優れた性能を示すことが示された。
• 参考スコア（独自算出の注目度）: 1.4471886128132525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a novel recommendation model, CLARER (Contrastive Learning for Aspect Representation towards Explainable Recommendation) that integrates aspect features learned from textual reviews with rating information to improve the accuracy and explainability of recommendations. Our proposed framework learns user and item representations by combining rating-based features and aspect-based features from reviews. Specifically, rating-based features are learned through a multi-layer perceptron (MLP) model, while aspect-specific review representations are learned using a transformer encoder to capture the semantic information and contrastive learning to better distinguish user preferences. To provide explanations, we train a transformer decoder, using the final representations of users and items from both rating and aspect-based features as context. Experimental results in three benchmark data sets demonstrate that our model achieves superior performance compared to baseline methods in both recommendation (accuracy) and explanation generation.
• Abstract（参考訳）: 本研究では,テキストレビューから学んだアスペクト特徴を評価情報と統合し,レコメンデーションの精度と説明可能性を向上させる新しいレコメンデーションモデルであるCLARERを提案する。 提案フレームワークは,評価に基づく特徴とアスペクトに基づく特徴をレビューから組み合わせ,ユーザとアイテムの表現を学習する。 具体的には,多層パーセプトロン(MLP)モデルを用いて評価に基づく特徴を学習し,アスペクト固有のレビュー表現をトランスフォーマーエンコーダを用いて学習し,セマンティック情報とコントラスト学習を用いてユーザの好みをよりよく識別する。 そこで我々は,ユーザとアイテムの最終的な表現を,評価とアスペクトベースの両方の特徴をコンテキストとして使用して,トランスフォーマーデコーダを訓練する。 3つのベンチマークデータセットによる実験結果から,提案手法は推奨(精度)と説明生成の両方において,ベースライン法よりも優れた性能を示すことが示された。

関連論文リスト

• 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)
• Aligning Explanations for Recommendation with Rating and Feature via Maximizing Mutual Information [29.331050754362803]
  現在の説明生成手法は,既存のユーザレビューを模倣する目的で一般的に訓練されている。 MMIフレームワークと呼ばれるフレキシブルなモデルに依存しない手法を提案し、生成した自然言語の説明と予測された評価/重要項目の特徴との整合性を高める。 私たちのMMIフレームワークは、さまざまなバックボーンモデルを強化し、予測された評価やアイテム機能との整合性の観点から、既存のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-07-18T08:29:55Z)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• 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)
• ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models [26.11434743591804]
  説明に対するユーザフィードバックをユーザ好みのペアワイズ学習に活用する,ループ内人間フレームワーク ELIXIR を考案した。 elixirは、レコメンデーションと説明のペアに対するフィードバックを活用して、ユーザ固有の潜在選好ベクトルを学習する。 このフレームワークは、ランダムウォークとリスタートによる一般化グラフレコメンデーションを用いてインスタンス化される。
  論文  参考訳（メタデータ） (2021-02-15T13:43:49Z)
• Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
  説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。 本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:30:48Z)

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。