Minería de Explicaciones

El uso extensivo de algoritmos de aprendizaje automático para impulsar la toma de decisiones ha destacado la importancia crítica de garantizar la interpretabilidad de dichos modelos para generar confianza en sus resultados. Los sistemas de recomendación de última generación utilizan modelos de factores latentes de caja negra que no proporcionan explicación de por qué se ha hecho una recomendación, ya que abstraen sus procesos de decisión a un espacio latente de alta dimensión que está más allá de la comprensión directa de los humanos. Proponemos un enfoque novedoso para extraer explicaciones de los sistemas de recomendación de factores latentes al entrenar reglas de asociación en la salida de un modelo de caja negra de factorización de matrices. Al aprovechar la estructura interpretable de las reglas de asociación, demostramos que se puede mantener la precisión predictiva del modelo de recomendación mientras se obtienen explicaciones con alta fidelidad al modelo de caja negra en un conjunto de datos único de la industria. Nuestro enfoque mitiga la compensación entre precisión e interpretabilidad, evitando la necesidad de sacrificar flexibilidad o utilizar fuentes de datos externas. También contribuimos al problema mal definido de evaluar la interpretabilidad.