研究人员开发了一个新的推荐系统解释框架，解决了现有事后解释方法的扩展性问题。该方法使用谱双聚类对用户和物品进行分组，允许分析整个交互块。在 MovieLens 和 Amazon 数据集上使用奇异值分解和神经协同过滤模型进行的评估表明，特定的交互块对推荐质量有显著影响，用户细分对这些移除的敏感度各不相同。 AI
影响 这项研究提供了一种更具扩展性和实用性的方法来理解推荐系统的工作原理，有可能提高用户的信任度和透明度。
排序理由 这是一篇详细介绍推荐系统可解释性新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Litmaps
- MovieLens
- ScienceCast
- scite Smart Citations
- Singular Value Decomposition
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
