Uporabniški modeli za razložljive priporočilne sisteme / User Models for Explainable Recommender Systems

Življenje v 21. stoletju ponuja vse natančnejše priporočilne algoritme, ki temeljijo na novih pristopih globokega učenja, ki iz preteklega vedenja uporabnika pridobivajo informacije, specifične za uporabnika. Vendar ti sistemi še vedno nimajo sposobnosti utemeljitve, zakaj je določen izdelek (npr. film ali glasbena skladba) primeren za uporabnika, in, kar je še pomembneje, ne pojasnijo v celoti vpliva porabe izdelka na uporabnika. Cilj projekta je napredovati od trenutnega vedenjskega pristopa k vzpostavitvi novega računalniškega modela, ki bo zagotavljal dobra priporočila s sposobnostjo razlaganja. Model bo omogočen z uporabniškim modelom, ki ima korenine v psihologiji, in priporočilnim sistemom, ki temelji na tem uporabniškem modelu. Razvili bomo instrumente za ročno označevanje podatkov v glasbenem scenariju. Zbirali bomo podatke resničnih uporabnikov in razvili napovedovalnike strojnega učenja za izpeljavo parametrov uporabniškega modela. Poleg tega bomo zasnovali tehniko priporočanja in pojasnjevalni pristop, ki bo izkoristil uporabniku razumljive konstrukte nagnjenosti k kompleksnosti glasbe in nagnjenosti k besedilom. Nazadnje bomo izvedli obsežno preverjanje uporabniških modelov in priporočil. Zaključek projekta bo nov računalniški pristop, ki združuje psihološke konstrukte, uporabniške deskriptorje in podatkovne zbirke.

21st-century life offers increasingly accurate recommendation algorithms based on new, deep-learning approaches that extract user-specific information from the user’s past behaviour. However, these systems still lack an interpretable reasoning on why a certain item (e.g. a film or a music piece) is suitable for a user and, more importantly, do not fully explain the item consumption impact on the user. The project aims at advancing the current behavioural approach by establishing a new computational model that will provide good recommendations with explainable power. The model will be enabled by a user model rooted in psychology and a recommender system based on that user model. We will develop the instruments for the manual annotation of data in the music scenario. We will collect data from real users and develop machine learning predictors for inferring the user model parameters. Furthermore, we will devise a recommendation technique and explanation approach to take advantage of the user-understandable constructs of propensity for music complexity and propensity for lyrics. Finally, we will perform extensive validation of the user models and recommendations. The culmination of the project will be a new computational approach that integrates psychological constructs, user descriptors and databases.