{"_id":"Zhc44mtMrhobmJKyZ","bibbaseid":"rastegarpanah-crovella-gummadi-exploringexplanationsformatrixfactorizationrecommendersystems-2017","downloads":0,"creationDate":"2018-09-05T13:52:59.075Z","title":"Exploring Explanations for Matrix Factorization Recommender Systems","author_short":["Rastegarpanah, B.","Crovella, M.","Gummadi, K., P."],"year":2017,"bibtype":"article","biburl":null,"bibdata":{"title":"Exploring Explanations for Matrix Factorization Recommender Systems","type":"article","year":"2017","identifiers":"[object Object]","id":"f9af7a1b-c126-3fdc-9cc6-1ee1374af9b0","created":"2018-03-15T11:25:26.143Z","file_attached":false,"profile_id":"2ed0fe69-06a2-3e8b-9bc9-5bdb197f1120","group_id":"e795dbfa-5576-3499-9c01-6574f19bf7aa","last_modified":"2018-09-13T16:44:14.008Z","read":"true","starred":false,"authored":false,"confirmed":false,"hidden":false,"notes":"En este trabajo se estudia el problema de encontrar explicaciones para algoritmos de filtrado colaborativo que usan métodos de factorización de matrices. Se busca crear explicaciones que aumenten la transparencia del sistema. <br/><br/>Los métodos de factorización de matrices tienen dos problemas:<br/>-Hacen uso del conjunto entero de recomendaciones anteriores (de todos los usuarios y productos) para crear una única recomendación para un sólo usuario.<br/>-Resuelven optimizaciones no convexas a través de métodos heurísticos, cuya funcionalidad puede ser muy opaca. <br/><br/>Se proponen dos tipos de explicaciones para sistemas de recomendación implementados con factorización de matrices:<br/>1.- Impacto. Se modela cada recomendación en términos de ratings dados por el mismo usuario.<br/>2.- Influencia. Se explica la influencia de cada rating.<br/><br/>Para cada recomendación, la interfaz puede presentar los ratings que tienen el impacto y la influencia más alta.<br/><br/>La evaluación del sistema se realizó con el dataset de MovieLens y es de tipo offline. Se han buscado dos usuarios que han realizado ratings similares. Se han cambiado los ratings para una película y se han comparado las diferentes predicciones con y sin cambios realizados.","private_publication":false,"bibtype":"article","author":"Rastegarpanah, Bashir and Crovella, Mark and Gummadi, Krishna P","number":"1","bibtex":"@article{\n title = {Exploring Explanations for Matrix Factorization Recommender Systems},\n type = {article},\n year = {2017},\n identifiers = {[object Object]},\n id = {f9af7a1b-c126-3fdc-9cc6-1ee1374af9b0},\n created = {2018-03-15T11:25:26.143Z},\n file_attached = {false},\n profile_id = {2ed0fe69-06a2-3e8b-9bc9-5bdb197f1120},\n group_id = {e795dbfa-5576-3499-9c01-6574f19bf7aa},\n last_modified = {2018-09-13T16:44:14.008Z},\n read = {true},\n starred = {false},\n authored = {false},\n confirmed = {false},\n hidden = {false},\n notes = {En este trabajo se estudia el problema de encontrar explicaciones para algoritmos de filtrado colaborativo que usan métodos de factorización de matrices. Se busca crear explicaciones que aumenten la transparencia del sistema. <br/><br/>Los métodos de factorización de matrices tienen dos problemas:<br/>-Hacen uso del conjunto entero de recomendaciones anteriores (de todos los usuarios y productos) para crear una única recomendación para un sólo usuario.<br/>-Resuelven optimizaciones no convexas a través de métodos heurísticos, cuya funcionalidad puede ser muy opaca. <br/><br/>Se proponen dos tipos de explicaciones para sistemas de recomendación implementados con factorización de matrices:<br/>1.- Impacto. Se modela cada recomendación en términos de ratings dados por el mismo usuario.<br/>2.- Influencia. Se explica la influencia de cada rating.<br/><br/>Para cada recomendación, la interfaz puede presentar los ratings que tienen el impacto y la influencia más alta.<br/><br/>La evaluación del sistema se realizó con el dataset de MovieLens y es de tipo offline. Se han buscado dos usuarios que han realizado ratings similares. Se han cambiado los ratings para una película y se han comparado las diferentes predicciones con y sin cambios realizados.},\n private_publication = {false},\n bibtype = {article},\n author = {Rastegarpanah, Bashir and Crovella, Mark and Gummadi, Krishna P},\n number = {1}\n}","author_short":["Rastegarpanah, B.","Crovella, M.","Gummadi, K., P."],"bibbaseid":"rastegarpanah-crovella-gummadi-exploringexplanationsformatrixfactorizationrecommendersystems-2017","role":"author","urls":{},"downloads":0},"search_terms":["exploring","explanations","matrix","factorization","recommender","systems","rastegarpanah","crovella","gummadi"],"keywords":[],"authorIDs":[]}