Компьютерная наука > Информация о ретровивале [представлена 26 октября 2026 года] Название: Cunterfactual Profile Peturbations for Recommendations Advisory: A reproducability Study View PDF HTML (экспериментальное) резюме: В настоящем документе о воспроизводимости рассматривается метод противопоказаний, известный как " Учиться экстетным рекомендациям (LXR). Предыдущая работа показала, что LXR может надежно идентифицировать нарушения, которые в случае их применения к профилям пользователя приводят к тому, что рекордный элемент пользователя больше не рекомендуется, тем самым разъясняя рекомендацию данного элемента как функцию выбора пользователями рейтинга. В настоящем документе мы расширяем эту работу различными способами. Мы расширяем сферу охвата первоначального исследования LXR, с тем чтобы изучить объяснения по другим позициям, помимо наиболее рекомендуемого предмета, сделав вывод о том, что L XR также эффективен в этой версии задачи. Мы рассматриваем альтернативные исходные параметры для LXR, включая популярность товара и скрытые факторы сходства, и мы видим, что в отношении некоторых задач эти альтернативы работают на удивление хорошо. Мы также изучаем влияние популярности товаров, обнаруживая, что LXR обеспечивает более качественное объяснение (более короткие нарушения), когда поясняются менее популярные предметы. И наконец, мы проводим грубое исследование подмножего пространства для возмущения с целью определения более низкой границы оптимального размера взрыва,…
Совпадающие данные о характеристиках для разъяснения рекомендаций: оценка воспроизводимости
arXiv:2610.36208v1 Аннонс Тип: перекрестное резюме: в настоящем документе о воспроизводимости рассматривается метод контрфактического объяснения, известный как " Учимся на экстэйшн-рекомендации (LXR). Предыдущая работа показала, что LXR может надежно идентифицировать нарушения, которые в случае их применения к профилям пользователя приводят к тому, что рекордный элемент пользователя больше не рекомендуется, тем самым разъясняя рекомендацию данного элемента как функцию выбора пользователями рейтинга. В настоящем документе мы расширяем эту работу различными способами. Мы расширяем сферу охвата первоначального исследования LXR, с тем чтобы изучить объяснения по другим позициям, помимо наиболее рекомендуемого предмета, сделав вывод о том, что L XR также эффективен в этой версии задачи. Мы рассматриваем альтернативные исходные параметры для LXR, включая популярность товара и скрытые факторы сходства, и мы видим, что в отношении некоторых задач эти альтернативы работают на удивление хорошо. Мы также изучаем влияние популярности товаров, обнаруживая, что LXR обеспечивает более качественное объяснение (более короткие нарушения), когда менее популярными являются бой