让我解释:个人和非个人解释对推荐系统信任的影响
作者
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。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 80%
使用用户模拟识别对话推荐系统中的交互崩溃
CUI '24· 可解释人工智能(XAI) +1
- 71%
推荐算法的现场测试:理解多臂强盗中对人类偏好的假设的有效性
CHI '23· 可解释人工智能(XAI) +2
- 67%
分歧去卷积:将机器学习性能指标与现实接轨
CHI '21· 可解释人工智能(XAI) +1
- 67%
改进模型不可知的可解释人工智能工具中的特征贡献的可理解性
CHI '22· 可解释人工智能(XAI) +1
- 67%
DeepLens: NLP模型中交互式分布外数据检测
CHI '23· 可解释人工智能(XAI) +2
- 67%
Orbit:多目标排序器设计与评估框架
IUI '25· 可解释人工智能(XAI) +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
一眼看懂
fact_check论文快照
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