Nov, 2022

基于属性的推荐系统事后解释：RecXplainer

PDF
TL;DR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。
recommender systemsexplainabilityuser preferencefine-grained explanationsevaluation metrics
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

  • 基于图的推荐解释器

    本研究提出了一种图注意力神经网络模型，结合了用户、物品、属性和句子，用于基于抽取的解释的推荐系统，解决了现有解决方案在轻松感知、可靠性和个性化方面的不足之处。在两个基准评论数据集上的广泛实证评估表明了所提出解决方案的生成质量。

    Feb, 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

  • 稳健可解释推荐

    提出了一个能够在外部攻击下保持鲁棒性和提供一般性解释的特征感知可解释推荐系统的通用框架，通过在三个不断增大的流行电子商务数据集上对两个架构不同的基于特征的最先进可解释算法进行训练，实验证明了该框架在正常和嘈杂环境下全局解释能力的整体提升，展示了其灵活性和可变性。

    May, 2024

  • 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

  • XRec: 可解释的推荐系统的大型语言模型

    这项研究介绍了一种名为 XRec 的模型无关框架，利用大型语言模型（LLMs）的语言能力推动可解释的推荐系统的发展，该框架通过集成协作信号和设计轻量级的协作适配器使 LLMs 能够理解用户和物品之间的复杂模式并更深入地了解用户的偏好，全面且有意义的解释能力优于其他基准方法。

    Jun, 2024

  • 可解释的推荐：调查和新视角

    本篇综述介绍了解释性推荐的相关研究，着重介绍了其在解释性模型、透明度、说服力等方面的应用，并提供了分类现有研究的两维度分类以及不同推荐任务的应用，最后讨论了未来发展的方向。

    Apr, 2018

  • ELIXIR：通过用户反馈的解释学习，提高推荐模型

    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。

    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

  • 在相互环境中提供推荐解释

    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。

    Jul, 2018