Explainable Active Learning for Preference Elicitation

要約

新規ユーザーの嗜好を把握し、その後推薦をパーソナライズするためには、ユーザーとのインタラクションをインテリジェントに管理する必要がある。本研究では、レコメンデーションシステムに十分なユーザが存在しないか、他のユーザのデータへのアクセスが制限されており、システム内の既存データを利用したユーザプロファイリングメソッドを採用することができない、コールドスタート問題の特定のシナリオに焦点を当てる。この問題を解決するために、我々は能動学習(Active Learning: AL)を採用する。ALは、ラベル付けされていない大量のデータから有益なデータを選択し、オラクルにラベル付けを依頼し、最終的に機械学習(ML)モデルを更新する。我々はALを、説明的嗜好抽出プロセスにおける教師なし、半教師あり、教師ありのMLの統合プロセスで運用する。ALは、ユーザの嗜好を推定するMLモデルを更新するために、情報量の多いサンプルに対するユーザフィードバック（提示された項目に関するシステムの説明に対して与えられる）を収集する。設計されたユーザインタラクションは、ユーザのフィードバックをMLモデルに取り込むことにより、システムのパーソナライズを容易にし、また、推薦に関するシステムの説明を洗練することにより、ユーザの信頼を高める。我々は、食品推薦のために提案した嗜好抽出手法を実装した。短期的な有効性を評価するために人体実験を行い、また長期的な性能分析を目的として、2つの食品データセットに対して作成した合成ユーザプロファイルに対して、いくつかのAL戦略を用いて実験を行った。実験結果は、限られたユーザラベル付きデータで、提案する嗜好抽出手法が効率的であることを示すと同時に、正確な説明によってユーザの信頼を高めることを示す。

要約(オリジナル)

Gaining insights into the preferences of new users and subsequently personalizing recommendations necessitate managing user interactions intelligently, namely, posing pertinent questions to elicit valuable information effectively. In this study, our focus is on a specific scenario of the cold-start problem, where the recommendation system lacks adequate user presence or access to other users’ data is restricted, obstructing employing user profiling methods utilizing existing data in the system. We employ Active Learning (AL) to solve the addressed problem with the objective of maximizing information acquisition with minimal user effort. AL operates for selecting informative data from a large unlabeled set to inquire an oracle to label them and eventually updating a machine learning (ML) model. We operate AL in an integrated process of unsupervised, semi-supervised, and supervised ML within an explanatory preference elicitation process. It harvests user feedback (given for the system’s explanations on the presented items) over informative samples to update an underlying ML model estimating user preferences. The designed user interaction facilitates personalizing the system by incorporating user feedback into the ML model and also enhances user trust by refining the system’s explanations on recommendations. We implement the proposed preference elicitation methodology for food recommendation. We conducted human experiments to assess its efficacy in the short term and also experimented with several AL strategies over synthetic user profiles that we created for two food datasets, aiming for long-term performance analysis. The experimental results demonstrate the efficiency of the proposed preference elicitation with limited user-labeled data while also enhancing user trust through accurate explanations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL