关于推荐系统中软属性的解释与度量

我们研究如何在推荐系统中稳健地解释自然语言细化（或批评）。特别是在人人推荐场景中，人们经常使用软属性来表达对物品的偏好，包括诸如电影情节的原创性、场所的嘈杂程度或食谱的复杂程度等概念。虽然二元标注在推荐系统背景下已被广泛研究，但软属性常涉及主观和情境方面，无法以这种方式可靠地捕获，也不能表示为知识库中的客观二元真值。这在度量软属性排序时也带来了重要考量。我们提出一种更自然的表示方式，即作为个性化相对陈述，而非绝对物品属性。我们提出了新的数据收集技术与评估方法，以及一个新公开数据集。我们还提出了一组从非监督到弱监督再到全监督的打分方法，作为解释并响应基于软属性的批评的一步。