Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
Cet article propose une nouvelle tâche pour les explications de classement d'articles par paires fondées sur la logique des algorithmes de recommandation, utilisant l'apprentissage contrefactuel pour identifier les éléments spécifiques du profil utilisateur qui déterminent pourquoi un article est classé plus haut qu'un autre.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Nous vivons à une époque où les machines suggèrent constamment ce que nous devrions regarder, lire ou acheter. Pendant des décennies, les chercheurs se sont concentrés sur la réponse à une question simple : « Pourquoi le système m'a-t-il recommandé ce film spécifique ? » Ils ont développé des moyens d'expliquer ce choix unique, souvent en pointant une caractéristique que l'utilisateur apprécie, comme un acteur préféré ou un genre favori. Cependant, la prise de décision humaine se produit rarement dans le vide. Lorsque nous choisissons une option plutôt qu'une autre, nous les comparons souvent côte à côte. Nous demandons : « Pourquoi ai-je choisi ce film plutôt que celui-là ? » Cette question comparative est fondamentale pour comprendre nos propres préférences, pourtant elle a reçu beaucoup moins d'attention de la part des concepteurs de systèmes de recommandation. Comprendre la différence entre deux choix est souvent plus révélateur que de comprendre un choix unique de manière isolée, car cela met en lumière les facteurs spécifiques qui ont fait pencher la balance.
Une équipe de chercheurs s'est donné pour mission de résoudre ce problème en développant une nouvelle façon d'expliquer pourquoi un système de recommandation classe un article plus haut qu'un autre. Ils ont abordé la tâche en posant une question de type « et si » : que faudrait-il changer dans l'historique d'une personne pour que le système inverse l'ordre de ces deux articles ? Cette méthode, connue sous le nom de raisonnement contrefactuel, cherche l'ensemble minimal de changements nécessaires pour inverser une décision. Dans le contexte d'une recommandation de film, les chercheurs voulaient identifier les films spécifiques que l'utilisateur avait précédemment regardés et qui ont poussé le système à préférer un classique de la science-fiction à une épopée historique. Si ces visionnages passés spécifiques étaient supprimés de l'historique de l'utilisateur, le système devrait théoriquement recommander l'épopée historique en premier. L'objectif était de trouver le groupe le plus petit et le plus précis d'articles passés qui, s'il était effacé, inverserait le classement.
Pour tester cette idée, les chercheurs ont construit un nouveau type de modèle informatique conçu pour agir comme un explicateur. Ils ont entraîné ce modèle sur trois vastes collections de données d'utilisateurs : une contenant plus de la moitié d'un million de notes de films, une autre avec des préférences musicales, et une troisième avec une activité d'épinglage. Ils ont testé leur approche par rapport à plusieurs méthodes existantes, y compris des techniques qui expliquent des articles uniques ou celles qui tentent de comparer des articles en examinant leurs caractéristiques générales. Les chercheurs ont constaté que leur nouvelle méthode, qui apprenait à regarder l'article cible et l'article concurrent simultanément, était bien plus efficace. Elle pouvait identifier les articles passés responsables de la différence de classement avec une plus grande précision et en utilisant moins d'articles que les autres méthodes. Dans de nombreux cas, le nouveau modèle pouvait expliquer la préférence pour l'article de tête par rapport au second pour plus de 80 pour cent des utilisateurs de leurs groupes de test, nécessitant souvent la suppression d'un petit nombre d'interactions passées pour parvenir à l'inversion.
L'étude a également révélé que la qualité de ces explications dépend fortement du type de système de recommandation utilisé. Lorsque le système sous-jacent était basé sur une méthode qui apprend des modèles cachés dans le comportement des utilisateurs, le nouvel explicateur performait exceptionnellement bien. Cependant, les chercheurs ont noté une complication impliquant les articles populaires. Parfois, le moyen le plus efficace de modifier un classement était de supprimer des films ou des chansons extrêmement célèbres que presque tout le monde a vus. Bien que cela soit mathématiquement correct, les chercheurs soupçonnaient que cela ne constituerait pas une explication utile pour une personne réelle. Dire à un utilisateur : « Vous avez eu ce film parce que vous avez regardé Star Wars et Titanic », pourrait paraître évident ou inutile, car ce sont des éléments que presque tout le monde a vus. Pour tester cela, ils ont fait fonctionner une version de leur modèle qui ignore les articles les plus populaires. Cette version pouvait toujours trouver des explications, mais elle fonctionnait pour moins de personnes, suggérant que les articles populaires jouent un rôle significatif dans la manière dont ces systèmes prennent leurs décisions, même s'ils ne sont pas la partie la plus intéressante de l'histoire.
Les chercheurs ont conclu que leur approche génère avec succès des explications comparatives qui sont à la fois précises et concises. Ils ont montré qu'en entraînant un modèle à regarder deux articles à la fois, plutôt qu'un à la fois, ils pouvaient découvrir les raisons spécifiques d'une différence de classement. Les résultats suggèrent que cette méthode est un moyen viable de rendre les systèmes de recommandation plus transparents, permettant aux utilisateurs de voir non seulement pourquoi ils ont reçu une suggestion, mais pourquoi ils ont reçu une suggestion plutôt qu'une autre. Bien que le travail actuel se concentre sur la capacité technique à générer ces explications, les chercheurs ont noté que la prochaine étape consiste à voir si les gens trouvent ces explications réellement utiles et faciles à comprendre. Ils prévoient de mener des études avec des utilisateurs humains pour déterminer si ces scénarios de type « et si » aident les gens à donner du sens aux choix que les machines font pour eux.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.