[Примечание редактора] Исследователи из группы социальных вычислений Microsoft Research AsiaГлубокое обучение, график знаний, обучение с подкреплением, профиль пользователя, объяснимая рекомендацияИ другие пять аспектов, с нетерпением ожидая будущего направления развития рекомендательной системы.
В предыдущих статьях мы представилиГлубокое обучение, граф знаний, обучение с подкреплением, портрет пользователяПриложения в рекомендательных системах и возможные будущие направления исследований. В сегодняшней заключительной статье мы рассмотримИнтерпретируемость рекомендательных систем.
Большинство упомянутых выше исследований рекомендательных систем сосредоточены на повышении точности рекомендаций и не учитывают достаточного взаимодействия с рекомендуемыми объектами.В последнее время ученые начали обращать внимание на то, может ли рекомендация полностью понять психологию пользователя таким образом, чтобы пользователям было легко ее принять, и привести соответствующие примеры для общения с пользователями. Исследование показало, что такая система может не только повысить прозрачность системы, но и повысить доверие пользователей и принятие системы, вероятность выбора пользователями рекомендуемых продуктов и удовлетворенность пользователей.Наша конечная цель — разработать такую объяснимую рекомендательную систему.
Как менее изученное направление в области рекомендаций, многие аспекты интерпретируемых рекомендаций заслуживают изучения и исследования. В настоящее время мы рассматриваем исследования со следующих трех аспектов.
1. Используйте графы знаний для расширения возможностей интерпретации алгоритмов.Как внешний носитель знаний с высокой удобочитаемостью, граф знаний предоставляет большие возможности для улучшения способности интерпретации алгоритмов.
Рекомендуемые объяснения, генерируемые существующими объяснимыми рекомендациями, часто ограничиваются одной из сред на основе элементов, пользователей или функций, и корреляции между этими тремя типами сред недостаточно изучены.Мы надеемся использовать граф знаний, чтобы раскрыть взаимосвязь между этими тремя типами медиа и гибко выбирать наиболее подходящие медиа, чтобы рекомендовать и объяснять пользователям в соответствии с конкретной ситуацией.
Кроме того, мы также можем использоватьMicrosoft Concept GraphЭтот тип концептуальной карты устанавливает удобочитаемую глубокую структуру между функциями, которую можно использовать для замены текущей сети глубокого обучения с чрезвычайно слабой интерпретируемостью, и обеспечивает точность алгоритма при улучшении удобочитаемости.
В эпоху, когда объяснимый искусственный интеллект становится все более важным, объединение символических знаний, таких как графы знаний, с глубоким обучением будет очень перспективным направлением.
2. Модельно-независимая объяснимая структура рекомендаций. В настоящее время большинство интерпретируемых рекомендательных систем разрабатываются для конкретных рекомендательных моделей, и их масштабируемость слаба.Для появляющихся рекомендательных моделей, таких как сложные и гибридные модели, содержащие глубокие нейронные сети, объясняющей способности недостаточно.Если имеется модельно-независимая интерпретируемая структура рекомендаций, можно избежать разработки схемы объяснения для каждой рекомендательной системы отдельно, тем самым улучшая масштабируемость метода.
Мы предприняли первоначальную попытку (A Reinforcement Learning Framework for Explainable Recommendation, ICDM2018). В этой работе мы предлагаем следующую структуру обучения с подкреплением (рис. 1) для интерпретации любой модели рекомендаций, обеспечивая при этом масштабируемость, интерпретируемость и качество интерпретации.
Рисунок 1: Модельно-независимая интерпретируемая структура обучения с подкреплением рекомендаций
3. Разговорная рекомендация в сочетании с генеративной моделью. Текущие рекомендуемые объяснения часто заранее заданы и стереотипны (например, заранее установленные рекомендуемые объяснения опосредованы пользователями), поэтому, хотя некоторые примеры могут быть приведены в соответствии с психологией пользователя, метод коммуникации все еще слишком жесткий.
Если можно использовать генеративную модель, позволяющую рекомендательной системе «создавать» беглый или даже высокий эмоциональный интеллект, можно будет давать гибкие и изменчивые рекомендации и пояснения в процессе общения с пользователями. Наша команда сотрудничала с Microsoft XiaoIce и предприняла несколько попыток в этой области создать разъяснения музыкальных рекомендаций для XiaoIce.
Мы считаем, что будущая система рекомендаций должна дополнительно учитывать эффективность и масштабируемость алгоритма рекомендаций, интегрировать разнородные данные о поведении пользователей из нескольких источников и фиксировать долгосрочные и краткосрочные предпочтения пользователя; объединять рассуждения графа знаний в системе рекомендаций. и разработать общую стратегию обучения. Механизмы и эффективные модели принятия решений на основе ограниченных данных о взаимодействии с пользователем являются важными направлениями исследований;
Что касается интерпретируемости, нам необходимо использовать графы знаний для повышения интерпретируемости алгоритмов, разработать независимую от модели интерпретируемую структуру рекомендаций и рассмотреть возможность объединения генеративных моделей для диалоговых рекомендаций;
Наконец, нам необходимо уделить серьезное внимание вопросам конфиденциальности пользователей, разработать механизмы для обмена пользовательскими данными на разных платформах и создать унифицированную модель представления пользователей для рекомендательных систем.
Мы считаем, что персонализированные рекомендательные системы будут продолжать развиваться в разных направлениях с точки зрения точности, разнообразия, вычислительной эффективности и интерпретируемости и в конечном итоге решат проблему информационной перегрузки пользователей.
Если вы хотите узнать больше об горячих точках исследований о рекомендательных системах, пожалуйста, продолжайте обращать внимание.
Связанное чтение:
Создайте систему рекомендаций, чтобы быстро начать работу, всего за пять шагов!
Вы можете ставить лайки, подписываться и делиться техническими знаниями с друзьями.
Эта учетная запись является официальной учетной записью для первой рекомендации интеллектуальных рекомендательных продуктов 4Paradigm. Эта учетная запись основана на компьютерной области, особенно на передовых исследованиях, связанных с искусственным интеллектом. Она направлена на то, чтобы поделиться с общественностью большим количеством знаний, связанных с искусственным интеллектом, и способствовать пониманию общественностью искусственного интеллекта с профессиональной точки зрения. открытая платформа для обсуждения, общения и обучения, чтобы каждый мог как можно скорее насладиться ценностью, созданной искусственным интеллектом.
Каждый член четвертой парадигмы внес свой вклад в реализацию искусственного интеллекта.Под этой учетной записью вы можете прочитать академические границы, знания, галантерейные товары, отраслевую информацию и т. Д. Из компьютерной области.
Для получения дополнительной информации, пожалуйста, выполните поиск и подпишитесь на официальные страницы Weibo, WeChat (ID: dsfsxj)публика.