推荐系统中的可持续透明性：用于可解释性的图像贝叶斯排序
信息检索
2025-03-10 v3 计算机视觉与模式识别
机器学习
摘要
推荐系统在现代世界中已至关重要，通常引导用户获取相关内容或商品，并对用户与公民的决策产生重大影响。然而，确保这些系统的透明性与用户信任仍具挑战；个性化解释作为一种解决方案应运而生，为推荐提供理由。在生成个性化解释的现有方法中，利用用户创建的现有视觉内容是为最大化透明性与用户信任而有前景的选项。采用此方法的最先进模型尽管利用了高度优化的架构，却使用代理学习任务，未能高效建模将图像排序作为给定推荐之解释的目标；这导致次优训练过程与高计算成本，且在不影响模型性能的情况下可能无法降低。本文提出 BRIE，一种新颖模型，其中我们利用贝叶斯成对排序来增强训练过程，使其在六个真实世界数据集上持续优于最先进模型，同时将模型大小减少至多 64 倍，并将训练与推理的 CO2 排放减少至多 75%。
引用
@article{arxiv.2308.01196,
title = {Sustainable transparency in Recommender Systems: Bayesian Ranking of Images for Explainability},
author = {Jorge Paz-Ruza and Amparo Alonso-Betanzos and Berta Guijarro-Berdiñas and Brais Cancela and Carlos Eiras-Franco},
journal= {arXiv preprint arXiv:2308.01196},
year = {2025}
}