用于协同过滤的可解释受限玻尔兹曼机
机器学习
2016-06-24 v1 机器学习
摘要
大多数精确的推荐系统是黑盒模型，隐藏了其推荐背后的推理过程。然而，研究表明，解释能够增加用户对系统的信任，此外还提供诸如可审查性等其他益处，即可验证推荐有效性的能力。准确性与透明度或可解释性之间的差距引发了对自动解释生成方法的兴趣。受限玻尔兹曼机（RBM）是用于协同过滤的精确模型，但同样缺乏可解释性。在本文中，我们聚焦于基于 RBM 的协同过滤推荐，并进一步假设不存在任何额外数据源，如物品内容或用户属性。因此，我们提出了一种新的可解释 RBM 技术，从可解释的物品中计算 top-n 推荐列表。实验结果表明，我们的方法在生成精确且可解释的推荐方面是有效的。
引用
@article{arxiv.1606.07129,
title = {Explainable Restricted Boltzmann Machines for Collaborative Filtering},
author = {Behnoush Abdollahi and Olfa Nasraoui},
journal= {arXiv preprint arXiv:1606.07129},
year = {2016}
}
备注
presented at 2016 ICML Workshop on Human Interpretability in Machine Learning (WHI 2016), New York, NY