利用知识图谱对推荐系统进行后处理以提升解释的新近性、流行度与多样性
信息检索
2022-04-26 v1
摘要
现有可解释推荐系统主要建模推荐商品与已体验商品之间的关系,并相应塑造解释类型(例如,因用户看过演员“y”出演的其他电影,而向该用户推荐由演员“y”主演的电影“x”)。然而,这些系统均未考察单个解释的属性(例如与该演员交互的新近性)以及针对推荐列表的一组解释的属性(例如解释类型的多样性)在多大程度上会影响感知解释质量。本文概念化了建模解释质量的三个新属性(关联交互新近性、共享实体流行度与解释类型多样性),并提出了能够针对这些属性进行优化的重排序方法。在两个公开数据集上的实验表明,我们的方法能依据所提属性提升解释质量,且在各人口统计群体间较为公平,同时保持推荐效用。源代码与数据可在 https://github.com/giacoballoccu/explanation-quality-recsys 获取。
引用
@article{arxiv.2204.11241,
title = {Post Processing Recommender Systems with Knowledge Graphs for Recency, Popularity, and Diversity of Explanations},
author = {Giacomo Balloccu and Ludovico Boratto and Gianni Fenu and Mirko Marras},
journal= {arXiv preprint arXiv:2204.11241},
year = {2022}
}
备注
Accepted at the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (ACM SIGIR 2022)