Skip navigation
  •  Inicio
  • UDC 
    • Cómo depositar
    • Políticas do RUC
    • FAQ
    • Dereitos de Autor
    • Máis información en INFOguías UDC
  • Percorrer 
    • Comunidades
    • Buscar por:
    • Data de publicación
    • Autor
    • Título
    • Materia
  • Axuda
    • español
    • Gallegan
    • English
  • Acceder
  •  Galego 
    • Español
    • Galego
    • English
  
Ver ítem 
  •   RUC
  • Facultade de Informática
  • Traballos académicos (FIC)
  • Ver ítem
  •   RUC
  • Facultade de Informática
  • Traballos académicos (FIC)
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Personalization in Recommender Systems through Explainable Machine Learning

Thumbnail
Ver/abrir
PazRuza_Jorge_TFG_2021.pdf (3.962Mb)
Use este enlace para citar
http://hdl.handle.net/2183/31851
Atribución-NoComercial-SinDerivadas 3.0 España
A non ser que se indique outra cousa, a licenza do ítem descríbese como Atribución-NoComercial-SinDerivadas 3.0 España
Coleccións
  • Traballos académicos (FIC) [715]
Metadatos
Mostrar o rexistro completo do ítem
Título
Personalization in Recommender Systems through Explainable Machine Learning
Autor(es)
Paz Ruza, Jorge
Director(es)
Alonso-Betanzos, María Amparo
Guijarro-Berdiñas, Bertha
Eiras-Franco, Carlos
Data
2021
Centro/Dpto/Entidade
Universidade da Coruña. Facultade de Informática
Descrición
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2020/2021
Resumo
[Abstract]: Recommender Systems have become ubiquitously utilized tools in multiple fields such as media streaming services, travelling and tourism business, e-commerce, and numerous others. However, in practice they show a tendency to be black-box systems, despite their increasing influence in people’s daily lives. There is a lack of research on providing personalised explanations to the recommendations of a system, that is, integrating the idea of Explainable Artificial Intelligence into the field of Recommender Systems. Therefore, we do not seek to create a Recommender System, but instead devise a way to obtain this explainability or personalisation in such type of tool. In this work, we propose a model able to provide said personalisation by generating explanations based on user-created content, namely text or photographs. In the context of the restaurant review platform TripAdvisor, we will predict, for any (user,restaurant) pair or existing recommendation, the text or image of the restaurant that is most adequate to present said recommendation to the user, that is, the one that best reflects their personal preferences. This model exploits the usage of Matrix Factorisation techniques combined with the feature-rich embeddings of pre-trained image classification and language models (Inception-ResNet-v2 and BERT), to develop a method capable of providing transparency to Recommender Systems.
 
[Resumen]: Los Sistemas de Recomendación se han convertido en herramientas usadas extensivamente en multitud de campos como online streaming, turismo, restauración, viajes y comercio electrónico, así como muchos otros. Sin embargo, en la práctica presentan una tendencia a ser sistemas de caja negra, pese a la cada vez mayor influencia que presentan sobre el día a día de nuestra sociedad. Hay una falta de investigación sobre la idea de aportar explicaciones personalizadas a las recomendaciones de un sistema, es decir, integrar el concepto de Inteligencia Artifical Explicable en el área de los Sistemas de Recomendación. Por lo tanto, no buscamos crear un Sistema de Recomendación per se, sino idear un modo de obtener esta capacidad de explicabilidad o personalización en dicho tipo de sistemas. En este trabajo, proponemos un modelo capaz de proveer de esta personalización mediante la generación de explicaciones basadas en contenido generado por los usuarios, en particular texto e imágenes. En el contexto de la plataforma de reseñas de restaurantes TripAdvisor, buscaremos predecir, para cualquier par o posible recomendación (usuario, restaurante), la imagen o texto sobre dicho restaurante más adecuada para presentar esa recomendación al usuario, es decir, la imagen o texto que mejor refleja las preferencias personales del usuario. Este modelo explota el uso de técnicas de Factorización Matricial combinadas con modelos de lenguaje y clasificación de imágenes (BERT e Inception-ResNet-v2), para desarrollar un método con capacidad de otorgar transparencia a Sistemas de Recomendación.
 
Palabras chave
Explainable Artificial Intelligence
Text and Image-based personalised recommendation
Matrix factorisation
Natural language processing
Recommender systems
Image classification
BERT
Inception-ResNet-v2
Supervised learning
Dyadic data
TripAdvisor
Inteligencia artificial explicable
Recomendación personalizada sobre texto e imagen
Factorización matricial
Procesamiento de lenguaje natural
Sistemas de recomendación
Clasificación de imágenes
Aprendizaje supervisado
Datos diádicos
 
Dereitos
Atribución-NoComercial-SinDerivadas 3.0 España

Listar

Todo RUCComunidades e colecciónsPor data de publicaciónAutoresTítulosMateriasGrupo de InvestigaciónTitulaciónEsta colecciónPor data de publicaciónAutoresTítulosMateriasGrupo de InvestigaciónTitulación

A miña conta

AccederRexistro

Estatísticas

Ver Estatísticas de uso
Sherpa
OpenArchives
OAIster
Scholar Google
UNIVERSIDADE DA CORUÑA. Servizo de Biblioteca.    DSpace Software Copyright © 2002-2013 Duraspace - Suxestións