Nachverarbeitungsempfehlungssysteme mit Wissensgraphen zur Berücksichtigung von Aktualität, Beliebtheit und Vielfalt von Erklärungen

Bisherige erklärbare Empfehlungssysteme haben hauptsächlich Beziehungen zwischen empfohlenen und bereits erlebten Produkten modelliert und entsprechend die Art der Erklärungen gestaltet (z. B. der Film „x“, der von der Schauspielerin „y“ gespielt wird, wird einem Nutzer empfohlen, weil dieser zuvor andere Filme mit „y“ als Schauspielerin angesehen hat). Doch keines dieser Systeme hat untersucht, in welchem Maße Eigenschaften einer einzelnen Erklärung (z. B. die Aktualität der Interaktion mit dieser Schauspielerin) sowie Eigenschaften einer Gruppe von Erklärungen für eine Empfehlungsliste (z. B. die Vielfalt der Erklärungstypen) die wahrgenommene Erklärungsqualität beeinflussen können. In diesem Artikel konzipieren wir drei neue Eigenschaften, die die Qualität von Erklärungen modellieren (Interaktionserneuerung, gemeinsame Beliebtheit von Entitäten und Vielfalt der Erklärungstypen), und stellen Re-Ranking-Verfahren vor, die zur Optimierung dieser Eigenschaften geeignet sind. Experimente an zwei öffentlichen Datensätzen zeigen, dass unsere Ansätze die Erklärungsqualität gemäß den vorgeschlagenen Eigenschaften steigern können, und zwar relativ gleichmäßig über verschiedene demografische Gruppen hinweg, während die Empfehlungsqualität erhalten bleibt. Der Quellcode und die Daten sind unter https://github.com/giacoballoccu/explanation-quality-recsys verfügbar.