推薦システムにおける推薦理由提示手法の提案-機械学習解釈モデルを用いて-

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A1609700&from=J-GLOBAL&jstjournalNo=U0795A") }}

著者 (4件)： , , ,
資料名：
巻： 18-J ページ： ROMBUNNO.3 (WEB ONLY) 発行年： 2020年03月
JST資料番号： U0795A ISSN： 2189-0374 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：日本 (JPN) 言語：日本語 (JA)

推薦システムにおいて,アイテムの推薦理由をユーザに提示することは,推薦の効果や透明性,そしてユーザの満足度を向上させることが示されている.推薦理由の説明をするためには,推薦モデルの解釈が必要となる.しかし,機械学習を用いた近年の推薦モデルは解釈が難しいブラックボックスとなっているものが多く,学習済みモデルの状態から推薦理由を提示することは困難となっている.そこで本稿では,機械学習モデルへの入力とその出力との関係を解釈する方法であるLIMEを推薦システムに適用することを提案する.具体的には,任意の学習済み推薦モデルが与えられたとき,当該推薦モデルに対する入力-出力のペアを線形回帰モデルで学習させ,その結果得られた各特徴の重みを重要度として推薦モデルを解釈する.提案手法はあらゆる推薦モデルに対して適用できる.また,提案手法は推薦システム自体に変更を加えないため,推薦の精度に影響を与えない.評価実験では,解釈性の高い協調フィルタリングを使用したレーティング予測モデルに提案手法を適用することによって,LIMEを使用した特徴量の重要度の算出が正確であることを検証した.LIMEの出力による重要度の高い特徴量と,協調フィルタリングモデルで実際に出力の算出に影響した特徴量の適合率による評価から,提案手法は重要度の高い特徴量が特定可能であることを示した.(著者抄録)

, , , , , , , , , ,
,

その他の情報処理

引用文献 (12件)：

J. L. Herlocker, J. A. Konstan, and J. Riedl, “Explaining Collaborative Filtering Recommendations,” in Proc. of ACM CSCW, pp. 241-250, 2000.
S. Seo, J. Huang, H. Yang, and Y. Liu, “Interpretable Convolutional Neural Networks with Dual Local and Global Attention for Review Rating Prediction,” in Proc. of ACM RecSys, pp. 297-305, 2017.
B. Abdollahi and O. Nasraoui, “Using Explainability for Constrained Matrix Factorization,” in Proc. of ACM RecSys, pp. 79-83, 2017.
M. T. Ribeiro, S. Singh, and C. Guestrin, “‘Why Should I Trust You?’ Explaining the Predictions of Any Classifier,” in Proc. of ACM KDD, pp. 1135-1144, 2016.
Y. Zhang, G. Lai, M. Zhang, Y. Zhang, Y. Liu, and S. Ma, “Explicit factor models for explainable recommendation based on phrase-level sentiment analysis,” in Proc. of ACM SIGIR, pp. 83-92, 2014.

, , , , ,

前のページに戻る