J-Recs：原则化且可扩展的推荐理由生成
信息检索
2020-11-12 v1 人工智能
摘要
在线推荐是电商、视频流等多种服务中的核心功能，向用户建议待购买、观看或阅读的条目。推荐理由化（即解释用户为何可能喜欢所推荐条目）已被证明能提升用户满意度与推荐说服力。本文提出一种可应用于任意推荐算法输出的事后理由生成方法。现有事后方法常受限于提供多样化理由，因其仅使用多种可用输入数据类型之一，或依赖预定义模板。我们通过开发J-Recs——一种生成简洁且多样化理由的方法——来解决早期方法的这些局限。J-Recs是与推荐模型无关的方法，基于各类产品与用户数据（如购买历史与产品属性）生成多样化理由。联合处理多类型数据的挑战通过设计原则化的基于图的方法用于理由生成得以解决。除理论分析外，我们在合成与真实数据上进行了广泛评估。结果表明，J-Recs满足理由的期望性质，并高效生成有效理由，相较基线更贴合用户偏好达20%。
引用
@article{arxiv.2011.05928,
title = {J-Recs: Principled and Scalable Recommendation Justification},
author = {Namyong Park and Andrey Kan and Christos Faloutsos and Xin Luna Dong},
journal= {arXiv preprint arXiv:2011.05928},
year = {2020}
}
备注
ICDM 2020