解释与算法精度对艺术图像视觉推荐系统的影响

关于艺术领域基于内容的图像推荐解释的研究非常少。当前研究未提供用户对系统多维度感知的全面视角，包括领域知识、相关性、可解释性和信任度。本文通过研究三种不同可解释性程度的界面来弥补这一空白。N=121名用户的实验证实，图像推荐领域的解释是有用的，能提升用户满意度、可解释性感知和相关性。进一步结果表明，观察到的效果也取决于底层推荐算法。我们测试了两种算法：高精度的深度神经网络（DNN）和高透明度但较低精度的视觉吸引力特征（AVF）。结果表明算法不应被单独研究，而应与界面结合，因为两者在可解释性和信任度的感知中都起重要作用。最后，使用Knijnenburg等人的框架，我们提供了一个综合模型，合成用户体验与艺术图像可解释视觉推荐系统中不同变量之间的影响关系。