探索局部与全局解释在推荐系统中的作用
信息检索
2021-09-29 v1 人机交互
机器学习
摘要
解释众所周知可提升推荐系统的透明度。这些解释可以是局部的，解释单个推荐；或全局的，总体解释推荐模型。尽管被广泛使用，关于这两种方法相对优势的探究却很少。它们为用户提供相同的益处，还是服务于不同目的？我们借助一个研究论文推荐系统，开展了一项 30 人探索性研究与一项 30 人受控用户研究，以分析向参与者提供局部、全局或两者解释如何影响其对系统行为的理解。我们的结果提供的证据表明：对于解释如何改进推荐，两种解释比单独任一种更有帮助；然而对于高效识别假阳性与假阴性，两者似乎不如单独的全局解释有帮助。不过我们注意到，这两种解释方法或许更宜在更高风险或更不透明的领域中进行比较。
引用
@article{arxiv.2109.13301,
title = {Exploring The Role of Local and Global Explanations in Recommender Systems},
author = {Marissa Radensky and Doug Downey and Kyle Lo and Zoran Popović and Daniel S. Weld},
journal= {arXiv preprint arXiv:2109.13301},
year = {2021}
}