REASONER：具有多方面实际用户标记的可解释推荐数据集，朝着更可衡量的可解释推荐的方向。
摘要：可解释的推荐在工业界和学术界引起了广泛关注。它在提高推荐的说服力、信息量和用户满意度方面表现出很大的潜力。尽管过去几年中提出了许多有前景的可解释推荐模型，但这些模型的评估策略存在一些限制。例如，解释的真实性不是由真实用户标记的，解释主要根据一个方面进行评估，评估策略可能很难统一。为了缓解以上问题，我们提出建立一个具有多方面真实用户标记的可解释推荐数据集。具体而言，我们首先开发了一个视频推荐平台，在其中精心设计了一系列关于推荐可解释性的问题。然后，我们招募了大约3000名具有不同背景的用户使用该系统，并收集了他们的行为和对我们问题的反馈。在本文中，我们详细介绍了我们数据集的构建过程，并对其特征进行了广泛的分析。此外，我们开发了一个库，其中实现了十种知名的可解释推荐模型，并且统一在一个框架中。基于这个库，我们为不同的可解释推荐任务建立了几个基准。最后，我们展示了我们的数据集带来的许多新机会，预计能为可解释推荐领域带来一些新的思路。我们的数据集、库和相关文档已经发布在https://reasoner2023.github.io/。
作者：Xu Chen, Jingsen Zhang, Lei Wang, Quanyu Dai, Zhenhua Dong, Ruiming Tang, Rui Zhang, Li Chen, Ji-Rong Wen
论文ID：2303.00168
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-02