推荐模型中表征解耦与可解释性之间是否存在关联？——批判性综述与可重复性研究
信息检索
2025-02-03 v1
摘要
无监督学习解耦表征的做法与增强推荐系统（RS）的表征可解释性紧密相关。这通过使单个特征的表征更加独立地分离来实现，从而更容易归因于模型预测的特征贡献。然而，这些在可解释性和特征归因方面的优势主要仅限于定性探索。此外，解耦对模型推荐性能的影响也被大大忽视。本文我们在四个推荐系统数据集上复现了五个著名推荐模型的推荐性能、表征解耦和表征可解释性。我们量化了解耦程度，并调查了解耦与推荐有效性以及表征可解释性之间的关联。尽管现有许多研究在RS中提出了解耦表征作为提升有效性和可解释性的途径，但我们的发现表明，解耦并不一定与有效性相关，但与表征可解释性密切相关。我们的代码和结果已公开于https://github.com/edervishaj/disentanglement-interpretability-recsys。
引用
@article{arxiv.2501.18805,
title = {Are Representation Disentanglement and Interpretability Linked in Recommendation Models? A Critical Review and Reproducibility Study},
author = {Ervin Dervishaj and Tuukka Ruotsalo and Maria Maistro and Christina Lioma},
journal= {arXiv preprint arXiv:2501.18805},
year = {2025}
}
备注
Accepted at the 47th European Conference on Information Retrieval (ECIR 2025)