题目: Fairness-Aware Explainable Recommendation over Knowledge Graphs

简介: 最近,人们对公平性的考虑日益受到关注,尤其是在智能决策系统中。可解释的推荐系统可能会受到解释偏差和性能差异的困扰。在本文中,我们根据用户的活动水平分析了不同的用户组,发现不同组之间的推荐绩效存在偏差。结果显示由于不活跃用户的培训数据不足,不活跃用户可能更容易收到不满意的推荐,并且由于协作过滤的性质,他们的推荐可能会受到更活跃用户的培训记录的影响,因而受到系统的不公平对待。我们提出了一种启发式重新排序的公平约束方法,以在对知识图的可解释性推荐的背景下减轻这种不公平问题。我们使用基于最新知识图的可解释推荐算法对几个数据集进行了实验,结果表明,我们的算法不仅能够提供高质量的可解释的推荐,而且在几个方面都减少了推荐的不公平性。

成为VIP会员查看完整内容
0
27

相关内容

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

知识图谱被广泛用于提高推荐准确度。知识图谱上的多跳用户-物品连接还提供了关于为什么推荐某个项的推理。然而,路径推理是一个复杂的组合优化问题。传统的推荐方法通常采用蛮力方法来寻找可行路径,这导致了与可解释性和收敛性相关的问题。在本文中,我们通过更好地监督寻路过程来解决这些问题。关键思想是用最小的标记努力提取不完美的路径演示,并有效地利用这些演示来指导寻路。特别地,我们设计了一个基于演示的知识图推理框架用于可解释推荐。我们还提出了一个反面的actor批评家(ADAC)模型用于演示导向的寻路。在三个真实基准上的实验表明,我们的方法比最先进的基准更快地收敛,并且具有更好的推荐精度和可解释性。

成为VIP会员查看完整内容
0
52

题目: Knowledge Graph Embeddings and Explainable AI

摘要: 知识图谱嵌入是一种广泛采用的知识表示方法,它将实体和关系嵌入到向量空间中。在这一章中,我们通过解释知识图谱嵌入是什么,如何生成它们以及如何对它们进行评估,向读者介绍知识图谱嵌入的概念。我们总结了这一领域的最新研究成果,对向量空间中表示知识的方法进行了介绍。在知识表示方面,我们考虑了可解释性问题,并讨论了通过知识图谱嵌入来解释预测的模型和方法。

成为VIP会员查看完整内容
0
61

主题: Deep Learning on Knowledge Graph for Recommender System: A Survey

摘要: 最近的研究表明,知识图谱(KG)在提供有价值的外部知识以改进推荐系统(RS)方面是有效的。知识图谱能够编码连接两个对象和一个或多个相关属性的高阶关系。借助于新兴的GNN,可以从KG中提取对象特征和关系,这是成功推荐的一个重要因素。本文对基于GNN的知识感知深度推荐系统进行了综述。具体来说,我们讨论了最新的框架,重点是它们的核心组件,即图嵌入模块,以及它们如何解决实际的推荐问题,如可伸缩性、冷启动等。我们进一步总结了常用的基准数据集、评估指标以及开源代码。最后,我们对调查结果进行了总结,并提出了这一快速发展领域的潜在研究方向。

成为VIP会员查看完整内容
0
77

主题: Directions for Explainable Knowledge-Enabled Systems

摘要: 数十年来,人们对可解释人工智能领域的兴趣不断增长,并且近年来这种兴趣正在加速增长。随着人工智能模型变得更加复杂,并且通常更加不透明,并且随着复杂的机器学习技术的结合,可解释性变得越来越重要。最近,研究人员一直在研究和解决以用户为中心的可解释性,寻找解释以考虑可信度,可理解性,显性出处和上下文意识。在本章中,我们将利用对人工智能及其密切相关领域的解释性文献的调查,并利用过去的努力来生成一组解释类型,我们认为这些类型反映了当今人工智能应用对解释的扩展需求。我们定义每种类型,并提供一个示例问题,以激发对这种解释方式的需求。我们认为,这组解释类型将有助于未来的系统设计人员生成需求并确定其优先级,并进一步帮助生成更符合用户和情况需求的解释。

成为VIP会员查看完整内容
0
38

题目: Foundations of Explainable Knowledge-Enabled Systems

摘要:

自从人工智能时代以来,可解释性就一直是重要的目标。 目前为止,已经有几种产生解释的方法被提出。 但是,这些方法中有许多都与当时的人工智能系统的能力紧密相关。 随着有时在关键环境中启用AI的系统的普及,有必要让最终用户和决策者对它们进行解释。 我们将介绍可解释的人工智能系统的历史概况,重点是知识支持的系统,涵盖专家系统,认知助手,语义应用和机器学习领域。 此外,借鉴过去的方法的优势,并找出使解释以用户和上下文为中心所需要的空白,我们提出了新的解释定义和可解释的知识支持系统。

成为VIP会员查看完整内容
0
20

题目: A Survey on Knowledge Graph-Based Recommender Systems

摘要:

为了解决信息爆炸问题,提高用户在各种在线应用中的体验,人们开发了推荐系统来模拟用户的偏好。尽管人们已经为更个性化的推荐做了很多努力,但是推荐系统仍然面临着一些挑战,如数据稀疏和冷启动。近年来,以知识图为辅助信息的推荐生成引起了人们的极大兴趣。这种方法不仅可以缓解上述问题,使推荐更加准确,而且可以为推荐项目提供解释。本文对基于知识图的推荐系统进行了系统的研究。我们收集了最近在这一领域发表的论文,并从两个角度对其进行了总结。一方面,我们通过研究论文如何利用知识图进行精确和可解释的推荐来研究所提出的算法。另一方面,我们介绍了这些工作中使用的数据集。最后,提出了该领域的几个潜在研究方向。

成为VIP会员查看完整内容
0
90

To solve the information explosion problem and enhance user experience in various online applications, recommender systems have been developed to model users preferences. Although numerous efforts have been made toward more personalized recommendations, recommender systems still suffer from several challenges, such as data sparsity and cold start. In recent years, generating recommendations with the knowledge graph as side information has attracted considerable interest. Such an approach can not only alleviate the abovementioned issues for a more accurate recommendation, but also provide explanations for recommended items. In this paper, we conduct a systematical survey of knowledge graph-based recommender systems. We collect recently published papers in this field and summarize them from two perspectives. On the one hand, we investigate the proposed algorithms by focusing on how the papers utilize the knowledge graph for accurate and explainable recommendation. On the other hand, we introduce datasets used in these works. Finally, we propose several potential research directions in this field.

0
70
下载
预览

【导读】新加坡国立大学的Xiang Wang、Tat-Seng Chua,以及来自中国科学技术大学的Xiangnan He在WSDM 2020会议上通过教程《Learning and Reasoning on Graph for Recommendation》介绍了基于图学习和推理的推荐系统,涵盖了基于随机游走的推荐系统、基于网络嵌入的推荐系统,基于图神经网络的推荐系统等内容。

Tutorial摘要:

推荐方法构建预测模型来估计用户-项目交互的可能性。之前的模型在很大程度上遵循了一种通用的监督学习范式——将每个交互视为一个单独的数据实例,并基于“信息孤岛”进行预测。但是,这些方法忽略了数据实例之间的关系,这可能导致性能不佳,特别是在稀疏场景中。此外,建立在单独数据实例上的模型很难展示推荐背后的原因,这使得推荐过程难以理解。

在本教程中,我们将从图学习的角度重新讨论推荐问题。用于推荐的公共数据源可以组织成图,例如用户-项目交互(二部图)、社交网络、项目知识图(异构图)等。这种基于图的组织将孤立的数据实例连接起来,为开发高阶连接带来了好处,这些连接为协作过滤、基于内容的过滤、社会影响建模和知识感知推理编码有意义的模式。随着最近图形神经网络(GNNs)的成功,基于图形的模型显示了成为下一代推荐系统技术的潜力。本教程对基于图的推荐学习方法进行了回顾,重点介绍了GNNs的最新发展和先进的推荐知识。通过在教程中介绍这一新兴而有前景的领域,我们希望观众能够对空间有更深刻的理解和准确的洞察,激发更多的想法和讨论,促进技术的发展。

Tutorial大纲:

成为VIP会员查看完整内容
0
138

题目: Distilling Structured Knowledge into Embeddings forExplainable and Accurate Recommendation

摘要: 近年来,基于嵌入的推荐模型(例如,MAR-Trx分解和深度模型)由于其有效性和灵活性,在学术界和产业界已经普遍存在,但也存在着缺乏透明性和数据稀疏性等固有的局限性。本文提出了一个端到端的联合学习框架,通过从基于可微路径的推荐模型中提取结构化知识,在不增加额外开销的情况下,克服了这些限制。通过大量的实验,我们证明了我们提出的框架能够达到最新的推荐性能,同时给出了可解释的推荐理由。

作者简介:

Yuan Zhang,俄亥俄州立大学统计部助理教授。

Xiaoran Xu,Facebook的研究科学家。

成为VIP会员查看完整内容
0
24

可解释推荐尝试开发模型,不仅生成高质量的推荐,而且生成直观的解释。解释可以是事后的,也可以直接来自可解释的模型(在某些上下文中也称为可解释的或透明的模型)。可解释推荐尝试解决为什么的问题:通过向用户或系统设计者提供解释,它帮助人们理解为什么算法推荐某些项目,而人既可以是用户,也可以是系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。

在这次调查中,我们回顾了在2019年或之前可解释的建议的工作。我们首先通过将推荐问题划分为5W来强调可解释推荐在推荐系统研究中的地位。什么,什么时候,谁,在哪里,为什么。然后,我们从三个角度对可解释推荐进行了全面的调查:1)我们提供了可解释推荐的研究时间轴,包括早期的用户研究方法和最近的基于模型的方法。2)我们提供了一个二维分类法来对现有的可解释推荐研究进行分类:一个维度是解释的信息源(或显示样式),另一个维度是生成可解释推荐的算法机制。3)我们总结了可解释推荐如何应用于不同的推荐任务,如产品推荐、社交推荐和POI推荐。我们还专门用一节来讨论更广泛的IR和AI/ML研究中的解释视角。最后,我们讨论了未来可解释推荐研究领域的发展方向。

成为VIP会员查看完整内容
0
74
小贴士
相关VIP内容
专知会员服务
52+阅读 · 2020年5月30日
可解释推荐:综述与新视角
专知会员服务
74+阅读 · 2019年10月13日
相关论文
Qingyu Guo,Fuzhen Zhuang,Chuan Qin,Hengshu Zhu,Xing Xie,Hui Xiong,Qing He
70+阅读 · 2020年2月28日
Wenqi Fan,Yao Ma,Qing Li,Yuan He,Eric Zhao,Jiliang Tang,Dawei Yin
12+阅读 · 2019年11月23日
Explainable Recommendation: A Survey and New Perspectives
Yongfeng Zhang,Xu Chen
43+阅读 · 2019年8月15日
Xiang Wang,Xiangnan He,Yixin Cao,Meng Liu,Tat-Seng Chua
33+阅读 · 2019年5月20日
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Weizhi Ma,Min Zhang,Yue Cao, Woojeong, Jin,Chenyang Wang,Yiqun Liu,Shaoping Ma,Xiang Ren
3+阅读 · 2019年3月9日
Xiang Wang,Dingxian Wang,Canran Xu,Xiangnan He,Yixin Cao,Tat-Seng Chua
7+阅读 · 2018年11月12日
RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
6+阅读 · 2018年8月7日
Hongwei Wang,Fuzheng Zhang,Jialin Wang,Miao Zhao,Wenjie Li,Xing Xie,Minyi Guo
14+阅读 · 2018年5月19日
Qingyao Ai,Vahid Azizi,Xu Chen,Yongfeng Zhang
9+阅读 · 2018年5月9日
Xu Chen,Yongfeng Zhang,Hongteng Xu,Yixin Cao,Zheng Qin,Hongyuan Zha
7+阅读 · 2018年1月31日
Top