Lernen von heterogenen Wissensbasis-Embeddungen für erklärbare Empfehlungen
Das Bereitstellen von modellgenerierten Erklärungen in Empfehlungssystemen ist für die Benutzererfahrung von großer Bedeutung. Stand der Technik sind Empfehlungsalgorithmen – insbesondere Ansätze auf der Basis des kollaborativen Filterns (CF) mit flachen oder tiefen Modellen – meistens darauf ausgelegt, verschiedene unstrukturierte Informationsquellen für Empfehlungen zu nutzen, wie textbasierte Bewertungen, visuelle Bilder und verschiedene implizite oder explizite Feedbacks. Obwohl strukturierte Wissensbasen in inhaltsbasierten Ansätzen berücksichtigt wurden, sind sie in jüngerer Zeit weitgehend vernachlässigt worden, da der Forschungsschwerpunkt auf CF-Ansätzen liegt. Strukturiertes Wissen bietet jedoch einzigartige Vorteile in personalisierten Empfehlungssystemen. Wenn explizites Wissen über Benutzer und Artikel bei der Generierung von Empfehlungen berücksichtigt wird, kann das System hochgradig angepasste Empfehlungen basierend auf den historischen Verhaltensweisen der Benutzer liefern. Zudem ist dieses Wissen hilfreich für fundierte Erklärungen zu den empfohlenen Artikeln. Eine große Herausforderung bei der Nutzung von Wissensbasen für Empfehlungen besteht darin, groß angelegte strukturierte Daten zu integrieren, während gleichzeitig die Vorteile des kollaborativen Filterns zur Erzielung hocheffektiver Leistung genutzt werden. Kürzliche Fortschritte im Bereich des Wissensbasis-Embeddings (KBE) werfen Licht auf dieses Problem und ermöglichen es, Benutzer- und Artikeldarstellungen zu lernen, während die Struktur ihrer Beziehung zu externem Wissen für Erklärungen erhalten bleibt. In dieser Arbeit schlagen wir vor, Wissensbasis-Embeddings zur erklärbaren Empfehlung zu erklären. Genauer gesagt entwickeln wir einen Lernrahmen für die Darstellung von heterogenen Entitäten in einer Wissensbasis zur Generierung von Empfehlungen und basierend auf dieser eingebetteten Wissensbasis wird ein Algorithmus für weiche Zuordnung vorgeschlagen, um personalisierte Erklärungen zu den empfohlenen Artikeln zu generieren. Experimentelle Ergebnisse anhand realweltlicher E-Commerce-Datensätze bestätigten die überlegene Leistungsfähigkeit unserer Methode sowie ihre Fähigkeit zur Erklärbarkeit im Vergleich zu den neuesten Baseline-Methoden.