基于反事实回顾与前瞻解释的用户可控推荐
信息检索
2023-08-03 v1 机器学习
统计方法学
摘要
现代推荐系统利用用户的历史行为生成个性化推荐。然而，这些系统往往缺乏用户可控性，导致用户对系统的满意度和信任度降低。认识到可解释推荐系统近期在增强用户对推荐机制理解方面的进展，我们提出利用这些进展来改善用户可控性。在本文中，我们提出了一种用户可控推荐系统，在统一框架内无缝集成可解释性和可控性。通过反事实推理提供回顾性和前瞻性解释，用户可以通过与这些解释交互来定制对系统的控制。此外，我们引入并评估了推荐系统中可控性的两个属性：可控性的复杂度和可控性的准确度。在MovieLens和Yelp数据集上的实验评估证实了我们所提框架的有效性。另外，我们的实验表明，为用户提供控制选项有可能在未来提升推荐准确度。源代码和数据可在 \url{https://github.com/chrisjtan/ucr} 获取。
引用
@article{arxiv.2308.00894,
title = {User-Controllable Recommendation via Counterfactual Retrospective and Prospective Explanations},
author = {Juntao Tan and Yingqiang Ge and Yan Zhu and Yinglong Xia and Jiebo Luo and Jianchao Ji and Yongfeng Zhang},
journal= {arXiv preprint arXiv:2308.00894},
year = {2023}
}
备注
Accepted for presentation at 26th European Conference on Artificial Intelligence (ECAI2023)