知識グラフを用いた後処理推薦システム：説明の新鮮さ、人気度、多様性の向上

既存の説明可能なレコメンデーションシステムは、推薦された商品と利用者が既に体験した商品との間の関係性を主にモデル化し、それに基づいて説明の種類を設計している（例：俳優「y」が出演する映画「x」が、ユーザーが他の「y」出演映画を視聴したため推薦された）。しかし、これらのシステムの多くは、1つの説明の特性（例：その俳優とのインタラクションの新鮮さ）や、推薦リストに対する複数の説明のグループとしての特性（例：説明タイプの多様性）が、ユーザーが感じる説明の質にどの程度影響を与えるかについて、検証されていない。本研究では、説明の質をモデル化するための3つの新たな特性（インタラクションの新鮮さ、共有エンティティの人気度、説明タイプの多様性）を概念的に定義し、これらの特性を最適化できる再ランク付け手法を提案した。2つの公開データセットを用いた実験により、提案手法が、性別や年齢などのデモグラフィックグループにかかわらず、説明の質を所定の特性に基づいて向上させつつ、レコメンデーションの有用性を維持できることを示した。ソースコードおよびデータは、https://github.com/giacoballoccu/explanation-quality-recsys にて公開されている。