THUIR推荐可解释性论文获国际顶级期刊TOIS录用

　　​​

　　近日，清华大学信息检索课题组（THUIR）师生撰写的论文被ACM TOIS录用。TOIS (ACM Transactions on Information Systems) 是由美国计算机学会（ACM）出版的SCI核心期刊，是中国计算机学会CCF推荐的A类学术期刊，是清华大学推荐论文列表TH-CPL-A类国际期刊，在相关领域享有很高的学术声誉。该论文系我组师生与新加坡国立大学NExT++实验室合作撰写。

　　​​

　　论文第一作者为我组博士生卢泓宇（导师：张敏），题目是​“推荐解释的用户感知：你的解释真的是用户需要的吗？”（User Perception of Recommendation Explanation: Are Your Explanations What Users Need?）​，作者：卢泓宇，马为之，王亦凡，张敏，王翔，刘奕群，Tat-Seng Chua，马少平。链接见https://doi.acm.org/?doi=3565480

　　内容简介：

　　 人们越来越多地在日常决策中使用推荐系统，例如选择电影、购买商品等，此时也越来越需求令人信服的解释理由，来帮助理解推荐结果和帮助决策。近年来，虽然推荐系统的可解释性得到了很多研究者的关注，但用户真正需要什么样的推荐解释，仍然缺少充分研究。用户检验和消费意图（例如，点击并观看一部电影）背后的真实原因，可以成为回答该问题的一个窗口，在本文中被称为自我解释。此外，实际生活中人们在进行推荐时，往往也会伴随着解释理由，在本文中被称为同伴推荐。围绕自我解释和同伴解释，本文研究人类如何进行解释，以及我们能从人类解释中学习到哪些模式？

　　​​

　　图：多角色、多阶段推荐系统可解释性用户实验示意图

　　 为了探究这些问题，我们进行了一项多角色、多阶段的用户实验。在实验中，用户与多种类型和内容的系统解释，以及人类生成的同伴解释，进行互动。在此过程中，用户的意图强弱、对偏好的预期、以及体验，在多阶段被采集，包括用户被呈现解释之前和之后，以及检验完详情之后。

　　​​

　　图：用户对推荐解释的多角度体验

　　 通过对实验结果的全面分析，我们有三个主要的发现：首先，我们观察到解释不仅有正向效应，也会有负向效应，同时不同类型的解释产生的影响也不同。其中人类产生的解释，即同伴解释，在提高用户意图强度和帮助用户构建偏好方面表现的更好，也带来了更高的用户满意度。其次，基于用户的自我解释，我们对推荐解释的信息准确性进行了量化，并分析和验证了该指标与用户满意度的强相关性。分析结论表明通过用户自我解释数据，可以实现对推荐解释理由进行离线量化评估。第三，通过对人类产生的自我解释，和同伴解释中所使用的信息进行的标注，我们研究了人类进行解释的模式，包括哪些信息被使用，以及其中的信息量。基于研究发现，我们提出了一种人类启发式解释生成方法，并发现其能够有效提高用户满意度，展示了在推荐解释中纳入更多人类模式的潜在可能。

　　​​

　　图：人类生成解释的信息点/信息量模型 & 人类启发式解释生成方法的用户满意度检验结果

　　 在领域内，如何对推荐解释进行量化评估，尤其是离线评估，一直是制约可解释性研究的重要问题。本文通过对自我解释、同伴解释的定义、采集和分析，深入探究了用户对推荐解释的需求，以及解释所起到的作用，并建立与满意度的关联。结论表明，基于用户自我解释，可以量化推荐解释的信息准确性，并能够与满意度评测保持一致。此外，本文通过观察人类生成的解释，从信息的使用角度总结模式，可用于优化推荐解释的生成。

Previous post
Example post 2