أنظمة توصية ما بعد المعالجة باستخدام الرسوم المعرفية لتحقيق الزمنية، والشعبية، والتنوع في التفسيرات

الأنظمة الحالية للأنظمة التوصية القابلة للتفسير ركزت بشكل رئيسي على نمذجة العلاقات بين المنتجات الموصى بها والمنتجات التي تم تجربتها مسبقًا، وشكلت أنواع التفسيرات وفقًا لذلك (مثلاً: فيلم "س" نُصِّرته الممثلة "ص" وتم التوصية به لمستخدم لأن هذا المستخدم شاهد أفلامًا أخرى مع "ص" كممثلة). ومع ذلك، لم تُدرَس أي من هذه الأنظمة مدى تأثير خصائص تفسير فردي (مثل حداثة التفاعل مع تلك الممثلة) أو خصائص مجموعة من التفسيرات المقدمة لقائمة موصى بها (مثل تنوع أنواع التفسيرات) على جودة التفسير المُدرَكة. في هذا البحث، قمنا بتحديد ثلاث خصائص جديدة تُنمذج جودة التفسيرات (تتعلق بحداثة التفاعل، وشُعبية الكيان المشترك، وتنوع نوع التفسير)، واقترحنا طرق إعادة ترتيب قادرة على تحسين هذه الخصائص. أظهرت التجارب على مجموعتي بيانات علنيتين أن منهجياتنا تُعزز جودة التفسير وفقًا للخصائص المقترحة، وبشكل عادل عبر المجموعات الديمغرافية، مع الحفاظ على فعالية التوصية. يُمكن الوصول إلى الكود المصدري وبيانات التجربة عبر الرابط التالي: https://github.com/giacoballoccu/explanation-quality-recsys.