寻找可解释的 MOOC 推荐路径:学习者角度
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
Jul, 2023
本文提出了一种名为策略引导路径推理(PGPR)的方法,将推荐和可解释性结合起来,并在知识图中提供实际路径,通过明确的推理过程生成和支持推荐,同时实现了强化学习和策略引导图搜索算法。在多个实际数据集的评估中,与现有的最先进方法相比,获得了良好的结果。
Jun, 2019
在个性化教育时代,为学习推荐提供易于理解的解释对增强学习者的理解和参与推荐的学习内容具有巨大价值。本文提出了一种利用知识图谱作为意见引擎源的方法,以减小语言模型模型的错误生成的风险,并确保高精度地满足学习者的意图,同时保持有关应用的学习上下文。我们利用知识图谱中的语义关系提供关于学习推荐的精心策划的知识。通过将领域专家纳入研究的提示工程阶段,设计解释模板,由语言模型进行填充和完成来确保解释包含与学习者相关的信息。我们定量评估了我们的方法使用 Rouge-N 和 Rouge-L 指标,并进行了与专家和学习者的质性评估。我们的结果表明,与仅由 GPT 模型生成的解释相比,生成的解释具有更高的召回率和准确度,并且极大地降低了最终学习解释中生成不准确信息的风险。
Mar, 2024
本文介绍了一种通过利用知识图谱的外部知识来生成解释的方法,通过 Personalized PageRank 算法对商品和知识图谱实体进行联合排序,生成具有解释的推荐。
Jul, 2017
本文提出了利用知识图谱的路径循环神经网络模型(Knowledge-aware Path Recurrent Network),该模型可以通过组合实体和关系的语义生成路径表示,并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作,区分连接用户和物品的不同路径的强度,为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验,显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。
Nov, 2018
通过复制三种最新的路径推理推荐方法,基于知识图谱 (KG) 设计公共评估协议,在两个公共数据集上研究它们的推荐效用、解释质量和公平性等领域,以提高路径推理推荐的性能和应用效果。
Jan, 2023
该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建,增强推荐模块的泛化能力,解决冷启动问题,并在真实世界的数据集上显著提高了物品推荐的性能。
Mar, 2019
通过使用知识图谱方法和协同过滤技术,我们的研究提出了一种可以生成客观描述的推荐解释的方法,该方法结合了用户购买历史和物品特征,为用户提供与其偏好相匹配的个性化解释,实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。
Aug, 2023