解释并征服：基于个性化文本评论以实现透明性
机器学习
2022-09-20 v2 人工智能
计算与语言
信息检索
社会与信息网络
摘要
在许多情境中存在二部数据。社交网络是一个众所周知的例子。在这些情境中，元素对通过连接构建反映交互的网络。解释为何建立这些关系对于获得透明性至关重要，这是一个日益重要的概念。由于自然语言理解任务的普及，这些解释常使用文本呈现。我们的目标是表示并解释由任意主体（例如推荐系统或付费推广机制）建立的元素对，从而将基于文本的个性化纳入考虑。我们聚焦于TripAdvisor平台，并考虑向其他二部数据情境的适用性。条目为用户和餐厅的子集，交互为这些用户发布的评论。我们提出PTER（Personalised TExt-based Reviews，基于个性化文本的评论）模型。我们从给定餐厅的可用评论中预测那些契合特定用户交互的评论。PTER利用了BERT（Bidirectional Encoders Representations from Transformers，双向编码器表示来自Transformer）transformer-encoder模型。我们遵循基于特征的方法定制了深度神经网络，提出了一个LTR（Learning To Rank，学习排序）下游任务。我们依据EXTRA（EXplanaTion RAnking，解释排序）基准，将我们的方案与随机基线及其他最先进模型进行了若干对比。我们的方法优于其他协同过滤方案。
引用
@article{arxiv.2205.01759,
title = {Explain and Conquer: Personalised Text-based Reviews to Achieve Transparency},
author = {Iñigo López-Riobóo Botana and Verónica Bolón-Canedo and Bertha Guijarro-Berdiñas and Amparo Alonso-Betanzos},
journal= {arXiv preprint arXiv:2205.01759},
year = {2022}
}