Explainable recommender systems

Tavsiye sistemleri genellikle derecelendirme verilerini kullanarak başarılı tavsiyeler üretmektedir. Ancak, yalnızca derecelendirme verilerine dayanan tavsiye sistemleri kullanıcıların duygularını ve düşüncelerini ayrıntılı olarak yakalayamaz, bu nedenle bazı durumlarda sınırlı performans gösterebilirler. Bu sınırlamanın üstesinden gelmek için, tavsiye sistemlerinde özellikle kullanıcı yorumları gibi metinsel verilerin kullanılması, bireysel tercihler ve duygular hakkında daha fazla bilgi sağlar. Bu sayede, tavsiyelerin doğruluğu ve kişiselleştirme düzeyi önemli ölçüde artırılabilir. Tavsiye sistemlerinin açıklanabilirliği ise başka bir kritik konudur. Karar alma mekanizmasının ve tavsiyelerin arkasındaki mantığı açıklamak, bu sistemlerin adaletini ve şeffaflığını artırır böylece sisteme olan güven artar ve sistemde mevcut olabilecek önyargıları ortaya çıkarmaya yardımcı olur. Bu çalışma, kullanıcı tarafından üretilen yorumlara dayalı yeni bir tavsiye algoritması sunmaktadır. Dil modelleri, kullanıcı yorumları arasındaki benzerliği belirlemektedir. Açık kullanıcı derecelendirmelerine dayanmak yerine, bu yorumlardan türetilen duygu puanları, kullanıcıların ürünler hakkındaki görüşlerini yansıtmaktadır. Hedef kullanıcı için öneriler, en benzer kullanıcıların duygu puanlarından yararlanılarak oluşturulmaktadır. Benzerlik puanlarını hesaplamak için on farklı dil modeli kullanılmış ve bu modellerin performansları öneri doğruluğuna göre değerlendirilmiştir. Algoritmamız için, en iyi performansı gösteren dil modeli olan Sentence-BERT (SBERT) seçilmiştir. Metin temsil modellerinin dikkat mekanizmaları ve SHAP yöntemi kullanılarak sistem, her önerinin arkasındaki nedenleri açıklamakta ve sonuç olarak açıklanabilir bir tavsiye sistemi sunmaktadır.