Transparente, prüfbare und erklärbare Benutzermodelle für personalisierte Empfehlungen

Die meisten Empfehlungssysteme basieren ihre Empfehlungen auf implizitem oder explizitem Feedback auf der Ebene von Artikeln, das von den Nutzern bereitgestellt wird. Diese Artikelbewertungen werden zu einem komplexen Benutzermodell kombiniert, das dann die Eignung anderer Artikel vorhersagt. Obwohl effektiv, haben solche Methoden begrenzte Prüfbarkeit und Transparenz. Wenn sich beispielsweise die Interessen eines Nutzers ändern, müssten in der Regel viele Artikelbewertungen geändert werden, um die Empfehlungen des Nutzers signifikant zu ändern. Ebenso ist es unmöglich zu erklären, wie das System den Benutzer charakterisiert, es sei denn, die gesamte Liste der bekannten Artikelbewertungen wird präsentiert. In diesem Papier präsentieren wir eine neue, satzbasierte Empfehlungstechnik, die es ermöglicht, das Benutzermodell den Nutzern in natürlicher Sprache explizit vorzulegen, wodurch die Nutzer befähigt werden, die gegebenen Empfehlungen zu verstehen und diese dynamisch zu verbessern. Während unser Ansatz in einer standardmäßigen statischen Umgebung vergleichbare Ergebnisse wie traditionelle kollaborative Filtertechniken erzielt, ermöglicht er es den Nutzern, Empfehlungen effizient zu verbessern. Darüber hinaus erleichtert er es, das Modell zu validieren und anzupassen, was das Vertrauen und das Verständnis der Nutzer fördert.