REASONER：一个带有多方面真实用户标注真值、面向更可度量可解释推荐的数据集
信息检索
2023-03-02 v1
摘要
可解释推荐已引起工业界与学术界的广泛关注，其在提升推荐说服力、信息丰富度与用户满意度方面展现出巨大潜力。尽管过去几年提出了许多前景良好的可解释推荐模型，这些模型的评估策略仍存在若干局限，例如：解释真值并非由真实用户标注、解释大多仅基于单一维度评估、且评估策略难以统一。为缓解上述问题，我们提出构建一个带有多方面真实用户标注真值的可解释推荐数据集。具体而言，我们首先开发了一个视频推荐平台，其中围绕推荐可解释性精心设计了一系列问题；随后招募约3000名不同背景的用户使用该平台，并收集其行为及对问题的反馈。本文详述了该数据集的构建过程，并提供了对其特征的广泛分析。此外，我们开发了一个库，以统一框架实现了十种知名可解释推荐模型，并基于此库为不同可解释推荐任务建立了若干基准。最后，我们呈现了该数据集带来的诸多新机遇，有望为可解释推荐领域提供新的启示。我们的数据集、库及相关文档已发布于 https://reasoner2023.github.io/。
引用
@article{arxiv.2303.00168,
title = {REASONER: An Explainable Recommendation Dataset with Multi-aspect Real User Labeled Ground Truths Towards more Measurable Explainable Recommendation},
author = {Xu Chen and Jingsen Zhang and Lei Wang and Quanyu Dai and Zhenhua Dong and Ruiming Tang and Rui Zhang and Li Chen and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2303.00168},
year = {2023}
}