利用概念激活向量发现推荐系统中软属性的个性化语义
信息检索
2023-06-06 v3 人工智能
机器学习
摘要
交互式推荐系统已成为克服传统推荐系统(例如点击、物品消费、评分)所用原始用户反馈局限性的有前景范式。它们允许用户以更丰富的方式表达意图、偏好、约束和上下文，常使用自然语言(包括分面搜索和对话)。然而，仍需更多研究以找到使用此类反馈的最有效方式。一个挑战是从常用于描述期望物品的开放式术语或属性中推断用户的语义意图，并用其精炼推荐结果。利用概念激活向量(CAVs)[26]——一种近期开发的机器学习模型可解释性方法——我们开发了一个框架，以学习捕获此类属性语义并将其连接到推荐系统中用户偏好与行为的表示。我们方法的一个新颖特征是其区分客观与主观属性(包括程度主观性和意义主观性)的能力，并将主观属性的不同意义与不同用户关联。我们在合成和真实世界数据集上证明，我们的CAV表示不仅准确解释用户的主观语义，还可用于通过交互式物品批评来改进推荐。
引用
@article{arxiv.2202.02830,
title = {Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors},
author = {Christina Göpfert and Alex Haig and Yinlam Chow and Chih-wei Hsu and Ivan Vendrov and Tyler Lu and Deepak Ramachandran and Hubert Pham and Mohammad Ghavamzadeh and Craig Boutilier},
journal= {arXiv preprint arXiv:2202.02830},
year = {2023}
}