Towards Explainable Collaborative Filtering with Taste Clusters Learning

要約

【タイトル】味のクラスター学習による可視化可能な協調フィルタリングへの向けて

【要約】
– 協調フィルタリング(CF)は、レコメンドシステムに広く使われる効果的な技術である。
– 最近の十数年間で、行列分解、ニューラル協調フィルタリング、LightGCNなど、より正確性を高めるための潜在埋め込みベースのCF方法において、説明性を十分に探求していない。
– レコメンドモデルに説明性を追加することによって、意思決定プロセスに対する信頼性を高めるだけでなく、アイテム推薦に対する説明力を提供し、ユーザーやアイテムに明示的なプロファイルを作成し、アイテムプロデューサーをデザイン改善の支援することができる。
– 本論文では、2つの要件を満たすことを目的とした可視化可能なECFモデルを提案する。
– (1) 正確性 – 説明可能性を追求することで正確性が犠牲にならないようにすること。
– (2) 自己説明性 – モデルの説明は事後的な方法ではなく、その決定プロセスを正確に反映していること。
– ECFの主要な要素は、ユーザー-アイテム間の相互作用とアイテムプロファイルから抽出された味のクラスターを利用することである。
– ユーザーとアイテムをスパースな味のクラスターの集合にマッピングし、味のクラスターは数個の代表的なタグによって特徴付けられる。
– ユーザーやアイテムの好み、ユーザー/アイテムのクラスター所属、味のクラスターの生成は、エンドツーエンドで統合的に最適化される。
– さらに、モデルの正確性、説明可能性、多様性の確保のために森のメカニズムを導入する。
– 味のクラスターの説明可能性の質を包括的に評価するために、クラスター内のアイテムカバレッジ、タグの利用、シルエット、情報量などの数値評価メトリックを設計する。
– 三つの実世界のデータセットでの詳細な実験により、モデルの効果を証明する。

要約(オリジナル)

Collaborative Filtering (CF) is a widely used and effective technique for recommender systems. In recent decades, there have been significant advancements in latent embedding-based CF methods for improved accuracy, such as matrix factorization, neural collaborative filtering, and LightGCN. However, the explainability of these models has not been fully explored. Adding explainability to recommendation models can not only increase trust in the decisionmaking process, but also have multiple benefits such as providing persuasive explanations for item recommendations, creating explicit profiles for users and items, and assisting item producers in design improvements. In this paper, we propose a neat and effective Explainable Collaborative Filtering (ECF) model that leverages interpretable cluster learning to achieve the two most demanding objectives: (1) Precise – the model should not compromise accuracy in the pursuit of explainability; and (2) Self-explainable – the model’s explanations should truly reflect its decision-making process, not generated from post-hoc methods. The core of ECF is mining taste clusters from user-item interactions and item profiles.We map each user and item to a sparse set of taste clusters, and taste clusters are distinguished by a few representative tags. The user-item preference, users/items’ cluster affiliations, and the generation of taste clusters are jointly optimized in an end-to-end manner. Additionally, we introduce a forest mechanism to ensure the model’s accuracy, explainability, and diversity. To comprehensively evaluate the explainability quality of taste clusters, we design several quantitative metrics, including in-cluster item coverage, tag utilization, silhouette, and informativeness. Our model’s effectiveness is demonstrated through extensive experiments on three real-world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI