지식 그래프를 활용한 후처리 추천 시스템: 설명의 최신성, 인기성 및 다양성 향상

기존의 해석 가능한 추천 시스템들은 주로 추천된 제품과 사용자가 이미 경험한 제품 간의 관계를 모델링하고, 이를 바탕으로 설명 유형을 형성해 왔다(예: 사용자가 여배우 'y'가 출연한 다른 영화를 시청한 바 있으므로, 여배우 'y'가 출연한 영화 'x'를 추천). 그러나 이러한 시스템들은 하나의 설명이 가지는 특성(예: 해당 여배우와의 상호작용 시점의 최근성)이나, 추천 목록에 대한 설명들의 집합적 특성(예: 설명 유형의 다양성)이 해석의 질에 미치는 영향에 대해 연구한 바가 없다. 본 논문에서는 설명의 질을 모델링하기 위한 세 가지 새로운 특성(상호작용의 최근성, 공유 엔티티의 인기도, 설명 유형의 다양성)을 개념화하고, 이러한 특성을 최적화할 수 있는 재정렬 기법을 제안한다. 두 개의 공개 데이터셋을 대상으로 한 실험 결과, 제안한 방법이 인구통계학적 그룹 간에 공정하게 설명의 질을 향상시키면서도 추천의 유용성은 유지함을 확인하였다. 소스 코드 및 데이터는 https://github.com/giacoballoccu/explanation-quality-recsys 에서 제공된다.