An exploration of recommender systems explanation paradigms: generating and evaluating syntactic, semantic, and generative models with knowledge graphs (2024)
- Authors:
- Autor USP: ZANON, ANDRE LEVI - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCC
- DOI: 10.11606/T.55.2024.tde-20032025-103852
- Subjects: SISTEMAS DE RECOMENDAÇÃO; INTELIGÊNCIA ARTIFICIAL; RECUPERAÇÃO DA INFORMAÇÃO
- Keywords: Explainable AI; Grafos de conhecimento; Knowledge graphs; Recommender systems
- Agências de fomento:
- Language: Inglês
- Abstract: Sistemas de recomendação explicáveis fornecem aos usuários razões para interagir com itens, melhorando a transparência, persuasão, confiança, eficiência e satisfação, e consequentemente a experiência geral do usuário com o sistema. Para gerar tais explicações com Grafos de Conhecimento (GC), algoritmos escolhem entre um conjunto de caminhos explicativos, que conectam os nós de itens com os quais o usuário interagiu a um nó de item recomendado, com base em atributos compartilhados. Três paradigmas principais são usados para gerar esses caminhos: sintático, semântico e generativo. Abordagens sintáticas selecionam caminhos com base no número de links entre os nós de itens; abordagens semânticas incorporam estruturas de GC em um espaço latente; e modelos generativos aproveitam modelos de linguagem para entender e gerar explicações. No entanto, a avaliação de explicações é negligenciada, com a maioria dos estudos realizando experimentos online e dificultando o entendimento de como as métricas offline se alinham com a percepção do usuário. Essa lacuna cria desafios na avaliação de algoritmos explicativos e também no avanço do campo de pesquisa. Nesta tese, projetamos e avaliamos algoritmos explicativos nos paradigmas sintático, semântico e generativo, utilizando métricas online e offline para avaliar os diferentes paradigmas de explicação e encontrar correlações entre a percepção do usuário e a seleção dos caminhos explicativos. Nossas descobertas destacam que os modelossintático, semântico e generativo representam, respectivamente, uma evolução nas métricas offline de explicações e que a diversidade e popularidade de atributos nos caminhos explicativos impactam a percepção do usuário. Por fim, fornecemos diretrizes para uma avaliação robusta offline das explicações em sistemas de recomendação.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 16.12.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
ZANON, André Levi. An exploration of recommender systems explanation paradigms: generating and evaluating syntactic, semantic, and generative models with knowledge graphs. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-20032025-103852/. Acesso em: 30 dez. 2025. -
APA
Zanon, A. L. (2024). An exploration of recommender systems explanation paradigms: generating and evaluating syntactic, semantic, and generative models with knowledge graphs (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-20032025-103852/ -
NLM
Zanon AL. An exploration of recommender systems explanation paradigms: generating and evaluating syntactic, semantic, and generative models with knowledge graphs [Internet]. 2024 ;[citado 2025 dez. 30 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-20032025-103852/ -
Vancouver
Zanon AL. An exploration of recommender systems explanation paradigms: generating and evaluating syntactic, semantic, and generative models with knowledge graphs [Internet]. 2024 ;[citado 2025 dez. 30 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-20032025-103852/ - Model-agnostic knowledge graph embedding explanations for recommender systems
- O impacto de estratégias de embeddings de grafos na explicabilidade de sistemas de recomendação
- Balancing the trade-off between accuracy and diversity in recommender systems with personalized explanations based on Linked Open Data
- A multiturn recommender system with explanations
- A user study with aspect-based sentiment analysis for similarity of items in content-based recommendations
- WordRecommender: an explainable content-based algorithm based on sentiment analysis and semantic similarity
Informações sobre o DOI: 10.11606/T.55.2024.tde-20032025-103852 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
