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
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
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://teses.usp.br/teses/disponiveis/55/55134/tde-20032025-103852/. Acesso em: 08 abr. 2026. -
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://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 2026 abr. 08 ] Available from: https://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 2026 abr. 08 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-20032025-103852/ - O impacto de estratégias de embeddings de grafos na explicabilidade de sistemas de recomendação
- Model-agnostic knowledge graph embedding explanations for recommender systems
- 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 a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
