Keywords
词 基于评论的推荐系统, 可解释人工智能, 在线客户评论, 基于概念的 解释
Paper Number
TR-1117
Paper Type
Complete
Abstract
现代基于评论的推荐系统通过日益采用先进的深度学习技术实现了高准确 性。然而，这使得其推荐过程不透明，降低了用户体验。现有增加透明度的 方法难以提供直观的、以用户为中心的解释。为了解决这一挑战，我们提出 了C-ReX，这是一种新颖的、模型无关的基于概念的评论文本变异方法，使 基于评论的推荐系统能够生成以用户为中心的解释。C-ReX识别评论中的人 类相关概念，有意义地结构化它们，并系统地扰动文本以量化其对推荐的影 响。该方法兼容任何基于扰动的可解释人工智能方法和任何黑箱推荐系统。 我们的用户研究表明，用户始终更喜欢C-ReX的解释而非最先进的LIME方 法。这些发现确立了C-ReX作为一种有前途的方法，在提高基于评论的推荐 系统透明度的同时保持模型性能。
Recommended Citation
Glatzel, Anna-Lena; Habla, Maximilian; Züllig, Kilian; and Zimmermann, Steffen, "从评论到洞察：基于概念的文本评论变异在推荐系统
中的解释" (2025). ICIS 2025 Proceedings. 4.
https://aisel.aisnet.org/icis2025/translated/translated/4
从评论到洞察：基于概念的文本评论变异在推荐系统 中的解释
现代基于评论的推荐系统通过日益采用先进的深度学习技术实现了高准确 性。然而，这使得其推荐过程不透明，降低了用户体验。现有增加透明度的 方法难以提供直观的、以用户为中心的解释。为了解决这一挑战，我们提出 了C-ReX，这是一种新颖的、模型无关的基于概念的评论文本变异方法，使 基于评论的推荐系统能够生成以用户为中心的解释。C-ReX识别评论中的人 类相关概念，有意义地结构化它们，并系统地扰动文本以量化其对推荐的影 响。该方法兼容任何基于扰动的可解释人工智能方法和任何黑箱推荐系统。 我们的用户研究表明，用户始终更喜欢C-ReX的解释而非最先进的LIME方 法。这些发现确立了C-ReX作为一种有前途的方法，在提高基于评论的推荐 系统透明度的同时保持模型性能。
When commenting on articles, please be friendly, welcoming, respectful and abide by the AIS eLibrary Discussion Thread Code of Conduct posted here.
Comments
16-UserBehavior