Explainable Recommendation with Personalized Review Retrieval and Aspect Learning, ACL'23

[AkihikoWatanabe]

https://virtual2023.aclweb.org/paper_P4590.html

[AkihikoWatanabe]

Explainable recommendation is a technique that combines prediction and generation tasks to produce more persuasive results. Among these tasks, textual generation demands large amounts of data to achieve satisfactory accuracy. However, historical user reviews of items are often insufficient, making it challenging to ensure the precision of generated explanation text. To address this issue, we propose a novel model, ERRA (Explainable Recommendation by personalized Review retrieval and Aspect learning). With retrieval enhancement, ERRA can obtain additional information from the training sets. With this additional information, we can generate more accurate and informative explanations. Furthermore, to better capture users' preferences, we incorporate an aspect enhancement component into our model. By selecting the top-n aspects that users are most concerned about for different items, we can model user representation with more relevant details, making the explanation more persuasive. To verify the effectiveness of our model, extensive experiments on three datasets show that our model outperforms state-of-the-art baselines (for example, 3.4\% improvement in prediction and 15.8\% improvement in explanation for TripAdvisor).

Translation (by gpt-3.5-turbo)

• 説明可能な推薦は、予測と生成のタスクを組み合わせてより説得力のある結果を生み出す技術です。これらのタスクの中でも、テキスト生成は十分な精度を得るために大量のデータを必要とします。しかし、アイテムの過去のユーザーレビューはしばしば不十分であり、生成された説明テキストの精度を確保することが難しいです。この問題に対処するために、私たちは新しいモデル、ERRA（個別のレビュー検索とアスペクト学習による説明可能な推薦）を提案します。検索の改善により、ERRAはトレーニングセットから追加の情報を取得することができます。この追加情報を使用することで、より正確で情報量の多い説明を生成することができます。さらに、ユーザーの好みをよりよく捉えるために、モデルにアスペクトの改善コンポーネントを組み込んでいます。異なるアイテムに対してユーザーが最も関心を持っている上位n個のアスペクトを選択することで、より関連性の高い詳細なユーザー表現をモデル化し、説明をより説得力のあるものにすることができます。私たちのモデルの効果を検証するために、3つのデータセットでの幅広い実験結果は、私たちのモデルが最先端のベースラインを上回ることを示しています（例えば、予測では3.4％の改善、TripAdvisorの説明では15.8％の改善）。

  Summary (by gpt-3.5-turbo)

• 説明可能な推薦において、テキスト生成の精度向上とユーザーの好みの捉え方の改善を目指し、ERRAモデルを提案。ERRAは追加情報の検索とアスペクト学習を組み合わせることで、より正確で情報量の多い説明を生成することができる。さらに、ユーザーの関心の高いアスペクトを選択することで、関連性の高い詳細なユーザー表現をモデル化し、説明をより説得力のあるものにする。実験結果は、ERRAモデルが最先端のベースラインを上回ることを示している。