• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.3.2023.tde-05022024-111423
Document
Auteur
Nom complet
Douglas Luan de Souza
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2023
Directeur
Jury
Cozman, Fabio Gagliardi (Président)
Veiga, Allan Koch
Peres, Sarajane Marques
Titre en portugais
Algoritmos para explicação responsável de recomendações.
Mots-clés en portugais
Aprendizado computacional
Interpretabilidade e explicabilidade
Sistemas de recomendação
Resumé en portugais
Sistemas de Recomendação tem sido cada vez mais presentes em produtos digitais como e-commerce e redes sociais. Um das razões para o seu sucesso é a sua crescente capacidade de predizer quais itens irão agradar seus usuários. No entanto, há cenários onde as recomendações podem não estar sendo geradas segundo os interesses dos usuários. Isto pode acontecer porque o sistema incentiva que o usuário passe horas assistindo vídeos curtos, ou porque ele recomenda algum produto que não tem a relação custo-benefício que seria melhor para o cliente. Nestes casos, seria desejável que os usuários pudessem entender as razões que levaram à recomendação. Além disso, usuários se beneficiariam ao compreender quais são as desvantagens de seguir a recomendação dada. Neste trabalho, propomos métodos para geração de razões a favor e razões contra uma determinada recomendação, baseados na teoria de Snedegar para raciocínio prático. Mostramos que estes métodos são aplicáveis na prática em um contexto educacional, usando um sistema de recomendação de disciplinas.
Titre en anglais
Algorithms for responsible explanation of recommendations.
Mots-clés en anglais
Explainable Artificial Intelligence (XAI)
Machine learning
Recommender systems
Resumé en anglais
Recommender Systems have been increasingly deployed as part of digital products such as e-commerce and social networks. Part of the reason for their success is their ability to predict which items the user will like. However, there are scenarios where their recommendation may not be in the best interest of the user. It could be because the recommendations reinforce a habit the users do not want, such as spending hours watching short videos, or because it suggests a product that does offer the best cost-benefit ratio. In these cases, it would be helpful for the users to understand the reasons behind the recommendation. Furthermore, it would be in the interest of the user to know what are the drawbacks of taking the recommendation. In this work, we propose methods for generating reasons for and reasons against a given recommendation, based on Snedegar theory of practical reasoning. We demonstrate that these methods are feasible in the context of education through a course recommender.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2024-02-06
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2024. Tous droits réservés.