WWWFeb, 2021

ELIXIR：通过用户反馈的解释学习，提高推荐模型

PDF
TL;DR本研究探讨解释对于 AI 生成的推荐质量的贡献，提出了一种人机交互框架 ELIXIR，通过用户反馈对解释的学习获取用户的隐含偏好向量，最终实现基于图结构推荐系统的优化，实验结果表明该方法在提高电影和图书推荐方面相较于传统方法有显著提升。
explanationsrecommendationsuser feedbackhuman-in-the-looplatent preference vectors
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用合成评论提高可解释性推荐

    论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

    Jul, 2018

  • 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

  • 基于大规模语言模型的不确定性感知可解释推荐

    为了提高用户满意度和建立信任，推荐系统内提供解释尤为重要，特别是对为用户定制的推荐物品进行解释。在这个研究领域中，主要方法是生成基于文本的解释，主要侧重于应用大型语言模型（LLMs）。然而，由于时间限制和计算资源限制，对于可解释性推荐来说，细化 LLMs 的工作并不可行。作为替代方案，当前的方法是训练提示而不是 LLMs。在这项研究中，我们开发了一个模型，利用用户和项目输入的 ID 向量作为 GPT-2 的提示。我们在多任务学习框架内使用联合训练机制来优化推荐任务和解释任务。这种策略能更有效地探索用户的兴趣，提高推荐的效果和用户满意度。通过实验，在 Yelp、TripAdvisor 和 Amazon 数据集上，我们的方法在解释能力评估指标上分别达到 1.59 DIV、0.57 USR 和 0.41 FCR，相比于四种现有技术，表现出卓越性能。此外，我们发现所提出的模型能够确保在这三个公共数据集上文本质量的稳定。

    Jan, 2024

  • 用于可解释推荐的事实和信息化评论生成

    通过使用个性化的检索系统来增强生成器，构建能够更可靠地生成存在检索关系、多样化且被人工评估认为更信息丰富的解释的模型。

    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

  • 基于知识的自然语言推荐解释

    通过使用知识图谱方法和协同过滤技术，我们的研究提出了一种可以生成客观描述的推荐解释的方法，该方法结合了用户购买历史和物品特征，为用户提供与其偏好相匹配的个性化解释，实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。

    Aug, 2023

  • 几何信息瓶颈解释型推荐系统

    该研究提出了一种基于几何先验知识和变分网络的可解释推荐系统，通过从用户 - 项目交互中学习潜在因子，并结合注意力机制从评论中提取重要文本片段来生成推荐解释，优化了推荐结果可解释性，同时在推荐效果上与基于内容的推荐系统相当。

    May, 2023