UBHARAUBHARA

JEECS (Journal of Electrical Engineering and Computer Sciences)JEECS (Journal of Electrical Engineering and Computer Sciences)

Artikel ini membahas sistem rekomendasi yang dapat dijelaskan dengan menggunakan ulasan produk sebagai sumber bukti. Penelitian ini mengusulkan metode Review-Grounded eXplainable Recommender (RGXRec), yang menggabungkan faktor laten kolaboratif dan kesamaan ulasan TF-IDF. Metode ini menghasilkan daftar peringkat bersama dengan bukti ekstraktif yang terdiri dari istilah aspek bersama dan kalimat ulasan pendukung. Penelitian ini mengevaluasi RGXRec pada dua subset Amazon Review Data dan membandingkannya dengan metode populer, KNN metadata-graph, SVD-MF, dan ReviewSim. Hasil menunjukkan bahwa RGXRec mencapai kinerja peringkat terbaik pada Luxury Beauty dan mempertahankan akurasi kompetitif pada Video Games, sambil memberikan kesetiaan yang tidak dapat ditawarkan oleh baseline interaksi-saja.

Penelitian ini menunjukkan bahwa penjelasan yang dapat dijelaskan harus dievaluasi berdasarkan kualitas penjelasan dan kesetiaan penjelasan terhadap proses penilaian model.RGXRec menawarkan pengaturan penjelasan yang lebih dapat dipertanggungjawabkan daripada kutipan pasca-hokum, karena bukti teksnya sesuai dengan bagian yang didefinisikan dari skor hibrid.Hasil menunjukkan bahwa manfaat penjelasan yang berbasis ulasan tergantung pada domain.RGXRec mencapai hasil terbaik secara keseluruhan di Luxury Beauty dan mempertahankan peringkat kompetitif dengan kesetiaan teks non-nol di Video Games, di mana sinyal kolaboratif dan metadata lebih kuat.Penelitian ini menunjukkan bahwa rekomendasi yang dapat dijelaskan tidak boleh dinilai hanya berdasarkan bukti yang dapat dibaca manusia.

Untuk penelitian lanjutan, disarankan untuk mengembangkan metode yang menggunakan pencocokan semantik atau ekstraksi aspek di luar istilah permukaan. Selain itu, perlu dipertimbangkan untuk menggunakan encoder teks yang lebih kaya atau model kolaboratif yang lebih kuat untuk meningkatkan kinerja dan kesetiaan penjelasan. Penelitian ini juga dapat dieksplorasi lebih lanjut dengan menggunakan data dari domain yang berbeda untuk memahami bagaimana gaya ulasan yang spesifik domain mempengaruhi penjelasan dan peringkat. Akhirnya, penting untuk mengeksplorasi cara-cara baru untuk mengevaluasi kesetiaan penjelasan dan mengembangkan metrik yang lebih canggih untuk mengukur kesetiaan model.

  1. Review-Based Explainable Recommendations: A Transparency Perspective | ACM Transactions on Recommender... doi.org/10.1145/3701762Review Based Explainable Recommendations A Transparency Perspective ACM Transactions on Recommender doi 10 1145 3701762
  2. Justifying Recommendations using Distantly-Labeled Reviews and Fine-Grained Aspects - ACL Anthology.... aclanthology.org/D19-1018Justifying Recommendations using Distantly Labeled Reviews and Fine Grained Aspects ACL Anthology aclanthology D19 1018
  3. ERASER: A Benchmark to Evaluate Rationalized NLP Models - ACL Anthology. eraser benchmark evaluate rationalized... aclanthology.org/2020.acl-main.408ERASER A Benchmark to Evaluate Rationalized NLP Models ACL Anthology eraser benchmark evaluate rationalized aclanthology 2020 acl main 408
  4. Hidden factors and hidden topics | Proceedings of the 7th ACM conference on Recommender systems. hidden... dl.acm.org/doi/10.1145/2507157.2507163Hidden factors and hidden topics Proceedings of the 7th ACM conference on Recommender systems hidden dl acm doi 10 1145 2507157 2507163
Read online
File size1.27 MB
Pages14
DMCAReport

Related /

ads-block-test