Aug, 2023

通过反事实回顾和预测解释实现用户可控的推荐

PDF
TL;DR我们提出了一个用户可控的推荐系统，通过整合可解释性和可控性，通过提供回顾性和预测性的解释，用户可以与这些解释进行交互以自定义对系统的控制。实验证明，我们的框架在 MovieLens 和 Yelp 数据集上具有有效性，并且提供用户控制选项可以潜在地提高推荐的准确性。
recommender systemsuser controllabilityexplainable recommender systemscounterfactual reasoningrecommendation accuracy
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

  • 学习如何因果解释推荐

    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。

    Nov, 2022

  • 推荐中的个性化对抗公平性

    本文提出了一个通过对抗学习生成独立于特征的用户嵌入来实现反事实公平的框架，从而使推荐系统能够为用户实现个性化的公平性。实验表明，该方法可以为用户生成更加公正且具有良好推荐效果的推荐结果。

    May, 2021

  • 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

  • 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

  • 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

  • 推荐系统的对抗性反事实学习和评估

    本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法，该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模，并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。

    Nov, 2020

  • 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

  • 可解释性特征：用户如何理解 XAI 中分类型和连续特征的因果和反事实解释

    通过对 127 名志愿者进行对照实验，本研究探讨了因果和反事实解释对于用户预测简单 AI 系统决策的效果及其对解释的满意程度和信任度。发现反事实解释相对于没有说明的控制描述，但没有比因果解释更高的准确性；但反事实解释比因果解释更能满足用户的需要和信任，而且用户更容易理解涉及分类特征的解释。

    Apr, 2022

  • 对策说明的随机优化

    通过提出一种基于随机学习的框架和特征选择模块来平衡反事实解释的权衡，本研究在生成可行的反事实解释方面展现了其有效性，并表明其比基线更加多样化和高效。

    Sep, 2022