Jul, 2018

在相互环境中提供推荐解释

PDF
TL;DR在此篇论文中，我们介绍和广泛评估了 “相互解释” 的使用，即提供为什么双方都有望从匹配中受益的推荐系统解释。通过在包括 287 名人类参与者的模拟和真实世界的约会平台中进行广泛的实证评估，我们发现当接受建议涉及重大成本（例如金钱或情感）时，“相互解释” 优于考虑仅推荐接收方的传统解释方法。但是，与人们可能期望的相反，当接受建议的成本微不足道时，相互解释显示出比传统解释方法效果差。
发现论文，激发创造
  • 群组推荐系统的解释设计

    本文综述了解释在推荐系统中的应用，特别讨论了与群体推荐场景相关的方面，并提出了基于偏好聚合策略确定推荐的不同解释和可视化方法。

    Feb, 2021

  • 基于属性的推荐系统事后解释：RecXplainer

    本文提出了一种新方法 RecXplainer，基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释，并使用真实数据集进行了实验进行了评估，结果表明 RecXplainer 能够更好地捕捉用户的喜好，并且相比六种基线方法，RecXplainer 在提供推荐解释方面有更显著的效果。此外，作者还提出了十种新的推荐解释评估度量标准。

    Nov, 2022

  • 社交解释是否有效？研究和建模推荐系统中社交解释的影响

    本研究探究社交解释在音乐推荐系统中的影响，通过实验探究社交信息在用户决策中的重要性，并提出概率模型和推荐框架，以更好地利用外部信息元素。

    Apr, 2013

  • 决策支持和推荐系统中解释的系统审查和分类

    本文系统审查了建议系统中的解释问题，探究了其目的、生成方式、呈现方式和评估方式，并提出了一个全面的分类法，其中包括解释目标、响应性、内容和呈现等方面，同时还识别了许多未解决的挑战。

    Jun, 2020

  • 在线约会的互惠推荐系统

    通过引入相似度测量来识别在线约会网络的独特特征，从而提出一种推荐系统来匹配具有高相似度的潜在约会伙伴；该算法在中国主要在线约会网站的实际数据集中取得了显著优于先前算法的结果，并揭示了男女在寻找约会伙伴时的行为差异。

    Jan, 2015

  • 关于推荐系统语言解释的忠实度和连贯性问题

    通过评估当前的推荐系统和其生成评论的组件，我们发现生成的评论是脆弱的且在被视作预测评级的文字理由之前有待进一步评估。

    Sep, 2022

  • 解释作为推荐的防御

    本研究旨在通过加强推荐和对应解释之间的情感对齐，使解释的学习与推荐的学习更加紧密地连接。实验结果表明，该方案在推荐和解释任务方面均优于基线，特别是在生成解释的质量方面表现出色。

    Jan, 2021

  • 通过批评与解释交互

    本文提出了一种新颖的使用方面标记的技术，可以从评论文本中生成个性化的推荐解释，允许用户通过批判文本解释来修改推荐条件，在两个真实数据集上的实验证明，该方法可以在单步和多步批判中适应用户的偏好，是一种新型的无监督批判方法。

    May, 2020

  • 推荐系统解释的反事实评估

    本文提出一种离线评估方法来评估推荐系统的解释质量，并使用反事实方法量化其对推荐的影响，结果表明与传统的人类评估方法相比，该方法能更好地产生与实际人类判断更相关的评估分数，说明反事实方法是评估推荐解释的一种有前途的方法。

    Mar, 2022

  • 推荐解释的可视化：调查与新视角

    该论文综述了在可解释的推荐系统方面的文献，以四个维度为基础，即解释目标、解释范围、解释样式和解释格式，并探讨了使用可视化作为解释展示方式的指导方针，旨在帮助研究者和从业者更好地了解可视化解释研究的潜力，支持他们在现有和未来的推荐系统中进行系统设计。

    May, 2023