基于服务的推荐系统结果验证

Nov, 2022

Justification of Recommender Systems Results: A Service-based Approach

Noemi Mauro, Zhongli Filippo Hu, Liliana Ardissono

TL;DR使用服务模型提出一种新的推荐系统结果解释方法，能从不同粒度水平上提取用户与物品交互的体验数据，并将解释围绕交互的不同阶段进行组织，并通过用户研究证明此方法具有更好的用户认知支持和接口适用性，但不同层次的用户可能需要个性化策略以满足不同的交互需求。

Abstract

With the increasing demand for predictable and accountable Artificial Intelligence, the ability to explain or justify recommender systems results by specifying how items are suggested, or why they are relevant, has become a primary goal. However, current models do not explicitly repres

justification approach service models experience data recommender systems user study

发现论文，激发创造

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

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

推荐系统与人的交互

该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

Mar, 2017

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

基于会话的推荐算法评估

对于基于会话的推荐，简单的基于最近邻的方法往往表现出与复杂的基于深度神经网络的方法相当或显著更好的性能。需要更多关于基于会话的推荐算法的改进。

Mar, 2018

基于人工智能推荐系统对人类行为影响的调查：方法、结果与未来发展方向

通过系统化调查分析了推荐系统在社交媒体、在线零售、城市地图和生成 AI 生态系统等四个人工智能生态系统中的影响，提出了一种简洁的分类方法，讨论了方法学和结果，并展望了未来的研究方向。

Jun, 2024

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

推荐系统中的文本解释和评价

本篇论文探讨了在自然语言处理和推荐任务中推断高质量执行操作和使解释具有可操作性的两个基本挑战，并通过证明解释性不以在两个应用中展示的卓越表现为代价的框架将人工智能应用实践的承诺变为现实。

May, 2022

当因子化遇到论证：朝着论证性解释的方向

该研究提出一种将基于因子分解的模型与论证框架相结合的新模型，通过在模型的每个阶段提供明确的含义，使其能够产生易于理解的推荐解释，并能够结合用户上下文等附加信息实现更准确的预测。

May, 2024