Apr, 2023

更多是否总是更好的？个人特征和细节水平对推荐系统解释感知的影响

PDF
TL;DR本文旨在研究一种从 “一刀切” 的解释推荐过渡到个性化解释推荐的新方法，通过开发一个透明的基于个人兴趣模型的应用程序，提供可按需定制的解释，以满足不同类型终端用户的需求。研究表明，不同目标解释和用户类型对于不同级别的详细解释的阐释推荐系统的感知程度有不同的影响。因此，我们提出了一些理论和设计指南，以支持个性化设计的解释系统。
explainable recommender systemspersonalized approachtransparencyuser agencyexplanation level
发现论文，激发创造
  • 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

  • 正当性与透明度：科学文献推荐系统中的视觉解释的原因和方法

    本研究探讨了为增强推荐系统的解释能力，提高用户对推荐系统的满意度和信任的透明度和解释目标的关系，并通过用户研究表明了不同的解释智能类型取决于解释目标和用户类型。

    May, 2023

  • 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

  • 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

  • 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

  • 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

  • 多利益相关者职位推荐系统的共同设计研究

    为满足招聘中不同利益相关者类型对解释的不同偏好，我们创建并验证了一种半结构化访谈指南，并使用基于实证的理论对访谈结果进行了结构化分析，发现候选人、招聘人员和公司确实具有强烈不同的解释偏好。基于这些发现，我们提出了如何设计满足三种利益相关者需求的解释界面的指南，并提供了验证过的访谈指南，可用于协助未来研究确定不同利益相关者类型的解释偏好。

    Sep, 2023

  • 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

  • 面向可解释的会话推荐系统

    本研究提出了十个评价角度以衡量对话式推荐系统（Conversational recommender system，CRS）中可解释性， 并且基于 E-ReDial 数据集训练了可以明显提高可解释性的模型，其中 GPT-3 适用于生成更真实和多样化的电影描述，而基于用户偏好生成的清晰推荐原因则适用于使用 T5 训练的模型。

    May, 2023