Nov, 2022

学习如何因果解释推荐

PDF
TL;DR通过使用反事实逻辑，即 “如果您不与以下项目互动，我们将不推荐它”，我们探讨了如何解释推荐系统的推荐。我们提出了一个基于学习的框架来生成反事实说明，该框架训练一个代理模型来学习删除用户历史记录子集对推荐的影响，进而找到代理模型预测的最有可能删除推荐的历史记录子集，从而生成解释。通过离线实验和在线用户研究，我们发现相比于基线方法，我们的方法可以生成更加合理和令用户更满意的解释。
recommender systemcounterfactual explanationslearning-based frameworkuser historysurrogate model
发现论文，激发创造
  • 反事实可解释推荐

    本文提出 Counterfactual Explainable Recommendation（CountER）模型，并利用因果推理的洞见进行解释，通过联合优化来生成新的最小更改使得机器推荐相反的物品，以便形成推荐的原因解释，具有更高的解释质量。

    Aug, 2021

  • 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

  • 计算反事实解释的方法 —— 一项调查研究

    机器学习模型日益广泛应用，因此解释其预测和行为变得越来越重要。本文综述了针对多种不同机器学习模型高效计算对抗性解释的模型特定方法，并提出了文献中尚未考虑的模型方法。

    Nov, 2019

  • 神经推荐系统的反事实解释

    本文提出了 ACCENT，一个基于影响函数的通用框架，用于找到深度神经网络推荐系统的因果解释。我们利用 ACCENT 生成了针对两种流行的神经网络模型（NCF 和 RCF）的因果解释，并在 MovieLens100K 数据集的样本上表明其可行性。

    May, 2021

  • 文本分类的任意生成对抗解释

    在机器学习中，理解分类器推荐或预测背后的推理对用户非常重要。然而，学习的模型通常太复杂，以至于人类难以理解。本文提出了一个通用框架，用于在文本领域生成反事实解释，这个框架是不限于模型、表示和领域的，并且可以随时使用。本文将任务建模为通过替换文本的各个部分来转换初始状态为分类文本的搜索问题，包括独立于领域的运算符，但也可以通过专门的运算符利用领域特定的知识。搜寻算法试图找到距离原始分类对象具有最小的基于单词级别的 Levenshtein 距离的互补类文本。

    Nov, 2022

  • 强化路径推理用于反事实可解释推荐

    本文提出了一种基于新型可解释性推荐 (CERec) 的方法，利用基于项目属性的反事实解释来提高推荐效果，采用强化学习环境中均匀搜索候选反事实，通过适应路径采样器，使用给定的知识图的丰富上下文信息来缩小巨大的搜索空间。此外，在推荐模型中部署解释策略以提高推荐。

    Jul, 2022

  • 强化学习的反事实解释

    通过重新定义反事实解释方法，结合强化学习的特点，探索在强化学习领域实现反事实解释的方法和研究方向。

    Oct, 2022

  • 算法补救：从反事实解释到干预

    本研究旨在基于因果推理，强调针对机器学习的偏见或错误决策，我们应该将注意力从解释数据的方式转向提供介绍、通过最小干预实现推荐的方式，以获得更好的结果。

    Feb, 2020

  • 询问以了解更多：为虚假声明生成反事实解释

    本文提出了采用反事实解释的方法，通过三步：提问，寻找矛盾，合理推理，来让读者理解为什么一个特定新闻被认定为虚假，通过在 FEVER 数据集的实验评估表明，这种方法相比于现有成果更具有帮助性。

    Jun, 2022

  • 明智选择数据：用于语义逆因果框架的方案

    本文提出一个利用知识图谱提供反事实解释的框架，并给出了一种计算该解释的算法，并 quantitatively 评估了该框架与用户研究。

    May, 2023