Systèmes de recommandation post-traités à l’aide de graphes de connaissances pour la récence, la popularité et la diversité des explications

Les systèmes explicatifs de recommandation existants se sont principalement concentrés sur la modélisation des relations entre les produits recommandés et ceux déjà expérimentés par l'utilisateur, en adaptant ainsi le type d'explication (par exemple, un film « x » mettant en vedette une actrice « y » est recommandé à un utilisateur parce qu’il a vu d’autres films avec « y » dans le rôle principal). Toutefois, aucun de ces systèmes n’a exploré l’impact potentiel des propriétés propres à une seule explication (par exemple, la récence de l’interaction avec cette actrice) ni des propriétés d’un ensemble d’explications pour une liste de recommandations (par exemple, la diversité des types d’explications) sur la qualité perçue des explications. Dans cet article, nous proposons trois nouvelles propriétés conceptuelles visant à modéliser la qualité des explications (récence des interactions, popularité partagée des entités, diversité des types d’explications) et introduisons des approches de ré-ordonnancement capables d’optimiser ces propriétés. Des expériences menées sur deux jeux de données publics démontrent que nos méthodes améliorent la qualité des explications selon les propriétés proposées, de manière équitable à travers les groupes démographiques, tout en préservant l’utilité de la recommandation. Le code source et les données sont disponibles à l’adresse suivante : https://github.com/giacoballoccu/explanation-quality-recsys.