音乐推荐系统中的可解释性

MMJan, 2022

Explainability in Music Recommender Systems

Darius Afchar, Alessandro B. Melchiorre, Markus Schedl, Romain Hennequin, Elena V. Epure...

TL;DR本文讨论了如何在音乐推荐系统中实现可解释性，以改善用户体验，包括讨论 XAI 的各种维度和目标，以及解释组件如何集成于 MRS，并讨论解释质量的要求和策略，最终提供研究展望。

Abstract

The most common way to listen to recorded music nowadays is via streaming platforms which provide access to tens of millions of tracks. To assist users in effectively browsing these large catalogs, the integration of Music Recommender Systems (MRSs) has become essential. Current real-world MRSs are often quite complex and optimized for recommendation accurac

music recommender systems explainability user experience explainable artificial intelligence (xai)evaluation

发现论文，激发创造

音乐推荐系统研究的当前挑战和愿景

对音乐推荐系统领域进行概述，指出当前主要挑战，回顾解决这些挑战的现有方法，讨论其局限性，并提出未来的方向和愿景。

Oct, 2017

心理学启发的音乐推荐系统

研究如何整合用户个性和情感状态以建立一个能关注音乐的心理和情感因素的自动化推荐系统，从而改善音乐推荐的质量。

May, 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

可解释推荐的稳定性

解释性推荐在工业界和学术界近年来备受关注。在推荐系统框架中提供的解释具有多种用途：尤其是解释为什么提供建议和物品与用户个性化偏好的匹配程度。因此，解释在影响用户购买产品方面起着重要作用。然而，这些解释在不同情况下的可靠性还没有严格从经验的角度进行验证。不可靠的解释可能带来强烈的后果，如攻击者利用解释来操纵和引诱用户购买推广的目标物品。本文研究了现有基于特征的可解释性推荐系统的脆弱性，特别是分析了它们在模型参数中增加不同水平的外部噪声下的性能。我们通过分析两个广泛使用的电子商务推荐数据集上训练的三个重要的最新算法进行实验。我们观察到所有可解释性模型都对增加的噪声水平脆弱。实验结果验证了我们的假设，即随着噪声水平的增加，解释推荐的能力确实减弱，尤其是敌对噪声对减弱的影响更大。我们的研究提供了有关推荐系统中稳健解释主题的经验验证，可以推广到不同类型的可解释性推荐系统。

May, 2024

探索音乐推荐中的艺术家性别偏见

本文研究了音乐推荐系统的性别偏见现象并分析了其来源和影响，并使用偏差不平等指标在两个听音事件数据集上对整个现象进行了评估和研究。

Sep, 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

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

一个可解释的科学文献推荐系统中不同细节层次的交互式解释

通过用户中心、交互式的多级解释模型，提供不同层次的解释，让用户可以根据需求和偏好自定义解释，研究表明这种方法可以提高透明度、信任感、满意度和用户体验。

Jun, 2023

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

可解释推荐评估的综合调查：从 “为什么” 角度衡量推荐系统

本文综述了可解释推荐的评估策略，提出了按照评估方法和角度进行分类的不同分类方法，并分析了现有评估方法的（不）优点并提供了选取它们的一系列指南，并根据来自 IJCAI，AAAI，TheWebConf，Recsys，UMAP 和 IUI 等顶尖会议的 100 多篇论文提出了其完整的总结，最终旨在提供关于可解释推荐的全面而清晰的评估综述。

Feb, 2022