提高面向推荐系统的基于图像的解释模型数据质量的可持续技术
机器学习
2025-04-01 v2 人工智能
计算机视觉与模式识别
信息检索
摘要
基于用户上传图像的视觉解释是一种有效且自包含的 method，用于为推荐系统（RS）提供透明度，但现有方法因解释范式中使用的数据内在局限性而使用质量较差的训练数据，这些数据高度稀疏且存在标注噪声。诸如模型扩大或大规模数据收集等流行的训练数据增强方法成本高昂且缺乏可持续性，因此我们寻求在负责任的人工智能原则下为 RS 提供更好的视觉解释。在本工作中，我们研究了面向基于视觉的 RS 解释模型的有效且可持续训练数据增强策略的交叉点，通过开发三个新策略来关注训练数据质量：1) 使用正-未标记学习选择可靠的负训练样本，2) 基于变换的数据增强，3) 基于文本到图像生成的数据增强。将这些策略集成到三个最先进的解释模型中后，不会惩罚其实际长期可持续性，同时在多个真实世界的餐厅推荐解释数据集中提升了这些视觉基于 RS 解释模型的相关排序指标性能约 5%。
引用
@article{arxiv.2407.06740,
title = {Sustainable techniques to improve Data Quality for training image-based explanatory models for Recommender Systems},
author = {Jorge Paz-Ruza and David Esteban-Martínez and Amparo Alonso-Betanzos and Bertha Guijarro-Berdiñas},
journal= {arXiv preprint arXiv:2407.06740},
year = {2025}
}