[論文レビュー] Knowledge-aware Autoencoders for Explainable Recommender Sytems

Vito Bellini, Angelo Schiavone+3 more|arXiv (Cornell University)|Jul 17, 2018

Recommender Systems and Techniques参考文献 23被引用数 8

ひとこと要約

本稿では、内容ベースで説明可能な推薦を生成するために、構造化知識グラフであるDBpediaを活用する知識認識型オートエンコーダー（SemAuto）を提案する。オートエンコーダーの隠れ層にユーザーの好みを符号化し、知識グラフの事実的およびカテゴリカルな属性を併用することで、個人に合わせた透明性の高い説明を生成する。特に、事実情報を含むペairワイズ説明スタイルを採用することで、ユーザー満足度、信頼性、説得力が顕著に向上する。

ABSTRACT

Recommender Systems have been widely used to help users in finding what they are looking for thus tackling the information overload problem. After several years of research and industrial findings looking after better algorithms to improve accuracy and diversity metrics, explanation services for recommendation are gaining momentum as a tool to provide a human-understandable feedback to results computed, in most of the cases, by black-box machine learning techniques. As a matter of fact, explanations may guarantee users satisfaction, trust, and loyalty in a system. In this paper, we evaluate how different information encoded in a Knowledge Graph are perceived by users when they are adopted to show them an explanation. More precisely, we compare how the use of categorical information, factual one or a mixture of them both in building explanations, affect explanatory criteria for a recommender system. Experimental results are validated through an A/B testing platform which uses a recommendation engine based on a Semantics-Aware Autoencoder to build users profiles which are in turn exploited to compute recommendation lists and to provide an explanation.

研究の動機と目的

• 人間が理解できる内容ベースの説明を提供することで、レコメンデーションシステムにおけるユーザーの信頼性と満足度を向上させること。
• カテゴリカルな情報と事実的情報の両方を含む知識グラフ（KG）情報の種別が、説明の効果に与える影響を調査すること。
• ユーザーの認識において、ペアワイズ説明（2つのアイテムを比較）がポイントワイズ説明（1つのアイテムを記述）を上回るかどうかを評価すること。
• SemAutoモデルが学習したユーザープロファイルが、実際のユーザー好みをどれだけ代表しているかを検証すること。
• 知識グラフの意味的特性が、レコメンデーションの透明性と説得力の向上に果たす役割を探索すること。

提案手法

• ユーザーの評価とDBpediaの知識グラフ構造を用いて、ネットワークアーキテクチャがKGの接続関係を模倣するように、意味的認識型オートエンコーダー（SemAuto）を訓練する。
• ユーザーの好みは、オートエンコーダーの隠れ層の学習済み重みから導出され、意味的および事実的好みが符号化される。
• 説明は、DBpediaのカテゴリカル属性（例：映画ジャンル）および事実的属性（例：監督、俳優）を併用して生成される。
• 2種類の説明スタイルを実装する：ポイントワイズ（1つのアイテムを記述）とペアワイズ（ユーザープロファイルにおける特徴の重要度に基づき2つのアイテムを比較）。
• 892名のボランティアを対象としたA/Bテストプラットフォームを用いて、満足度、信頼性、説得力などの指標におけるユーザーの認識を評価する。
• 知識グラフ埋め込みとユーザーのインタラクションデータを統合することで、コールドスタートでない状況において説明可能で正確なレコメンデーションを生成する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: SemAutoオートエンコーダーの隠れ層に符号化された情報は、ユーザー好みの代表的であると見なせるか？
• RQ2 RQ2: ユーザー満足度、信頼性、透明性の向上において、ペアワイズ説明はポイントワイズ説明を上回る効果を示すか？
• RQ3 RQ3: カテゴリカルと事実的の両方の知識グラフ情報が、説明の質に与える影響は何か？

主な発見

• ペアワイズ説明スタイルは、ユーザーが自分の好みが順位付けにどのように影響しているかをよりよく理解できるため、説得力と透明性においてポイントワイズ手法を顕著に上回る。
• 事実的属性（例：俳優、監督）を用いた説明は、カテゴリカル属性のみを用いる場合よりも、ユーザー満足度、信頼性、効果性が高くなる。
• 事実的およびカテゴリカル属性を併用した説明は、すべての指標で最高のパフォーマンスを達成するが、事実的データのみを用いてもほぼ同等の性能を発揮する。
• 隠れ層がユーザー好みを効果的に符号化していることは、説明を読んだ後のユーザー評価の変化が小さいことから裏付けられ、高い代表性が示された。
• モデルの説明はシステムの透明性を向上させ、意味的および事実的特性を併用した場合に最も高い値を示した。
• 結果から、事実的情報はその具体的かつ検証可能な性質ゆえに、ユーザーにより受け入れられやすく、抽象的なカテゴリーよりも説得力があると考えられる。