面向推荐系统生成鲁棒、公平且情感感知的解释
人工智能
2022-08-18 v1
摘要
随着推荐系统变得日益复杂精密，它们常常面临公平性与透明度缺失的问题。为推荐提供鲁棒且无偏的解释已引起越来越多的关注，因为这有助于解决上述问题并提升推荐系统的可信度与信息量。然而，尽管此类解释是面向人类生成的，而人类会对带有恰当情感的信息反应更强烈，目前在生成推荐解释时却缺乏对情感的考量。研究发现，当前的解释生成模型会夸大某些情感，却未能准确捕捉潜在的语气或语义。本文提出一种基于多头 Transformer 的新方法，称为可解释推荐的情感感知 Transformer（EmoTER），以生成更鲁棒、公平且情感增强的解释。为衡量所生成解释的语言质量与情感公平性，我们采用自动文本指标与人类感知进行评估。在三个广泛使用的基准数据集上以多种评估指标开展的实验表明，EmoTER 在文本质量、可解释性以及对情感分布公平性的考量方面持续优于现有的最先进解释生成模型。EmoTER 的实现将作为开源工具包发布以支持进一步研究。
引用
@article{arxiv.2208.08017,
title = {Towards Generating Robust, Fair, and Emotion-Aware Explanations for Recommender Systems},
author = {Bingbing Wen and Yunhe Feng and Yongfeng Zhang and Chirag Shah},
journal= {arXiv preprint arXiv:2208.08017},
year = {2022}
}