让我解释:个人和非个人解释对推荐系统信任的影响

可解释人工智能(XAI)算法透明度与可审计性推荐系统用户体验软件工程师与开发者AI/ML 研究员与工程师

对推荐系统(RS)的信任对其整体成功至关重要。然而,用户是否更信任个人推荐来源(即其他人类)而不是非个人来源(即传统RS),以及如果他们确实如此,感知到的解释质量是否解释了这种差异,这些问题仍然没有得到充分探索。我们进行了一项实证研究,比较了这两种推荐来源和解释。人类顾问被要求用简短的文字解释他们推荐的电影,而RS则基于项目相似性创建解释。我们的实验包括了两轮推荐。在两轮推荐中,用户提供的解释质量都被评估为高于系统的解释质量。此外,解释质量显著影响了推荐质量和对推荐来源的信任。因此,我们建议RS应提供更丰富的解释,以提高其推荐质量和可信度。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/2883/2019

广告推荐

学习 AI 编程到 CodeNow

一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2019
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
可解释人工智能(XAI)、算法透明度与可审计性、推荐系统用户体验
work
职业/产业
软件工程师与开发者、AI/ML 研究员与工程师
article
内容状态
仅摘要
hub
相关论文
6 篇相关论文