Explications pour des recommandations manquantes basées sur les graphes

Explanations for missing recommendations in graph-based recommenders

• Auteur / Autrice : Hervé-Madelein Attolou
• Direction : Dimitris Kotzinos, Aikaterini Tzompanaki
• Type : Thèse de doctorat
• Discipline(s) : STIC (Sciences et Technologies de l'Information et de la Communication) - ED EM2PSI
• Date : Soutenance le 16/12/2024
• Etablissement(s) : CY Cergy Paris Université
• Ecole(s) doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
• Partenaire(s) de recherche : Laboratoire : ETIS - Equipes Traitement de l'Information et Systèmes
• Jury : Président / Présidente : Dario Colazzo
• Jury : Examinateurs / Examinatrices : Dimitris Kotzinos, Aikaterini Tzompanaki, Evaggelia Pitoura, Amel Bouzeghoub, Christian Dan Vodislav
• Jury : Rapporteurs / Rapporteuses : Evaggelia Pitoura, Amel Bouzeghoub

Mots clés

Mots clés libres

Systemes des recommandations explicables

Resultats manquants

Graphes

Explainable recommendation systems

Why-Not questions

Graph-Based Recommendation Systems

Explainable AI

Résumé

Cette thèse explore le domaine spécifique des explications du type ''Pourquoipas'' (recommandations manquantes), qui se concentrent sur l'explication del'absence de certains éléments dans la liste de recommandations. Le besoind'explications recommandations manquantes est particulièrement crucial dans desscénarios de recommandation complexes, où l'absence de certaines recommandationspeut entraîner l'insatisfaction ou la méfiance des utilisateurs. Par exemple, un util-isateur d'une plateforme de commerce en ligne pourrait se demander pourquoi unproduit spécifique n'a pas été recommandé malgré le fait qu'il remplissait certainscritères. En fournissant des explications sur les recommandations manquantes, nousvisons à améliorer la transparence, la satisfaction des utilisateurs, leur engagementet la fiabilité globale du système.La principale contribution de cette thèse est le développement d'EMiGRe (Ex-plainable Missing Graph REcommender), une infrastructure algorithmique novatricequi fournit des explications actionnables pour les recommandations manquantesdans les systèmes de recommandation basés sur les graphes. Contrairement auxméthodes d'explicabilité traditionnelles, qui se concentrent sur la justification deséléments recommandés, EMiGRe se concentre sur l'absence d'éléments spécifiquesdans les listes de recommandations. L'infrastructure fonctionne en analysant les in-teractions de l'utilisateur dans une modélisation de graphe d'information hétérogèned'un ensemble de données, en identifiant les actions ou relations clés qui, lorsqu'ellessont modifiées, auraient conduit à la recommandation de l'élément manquant. EMi-GRe propose deux modes d'explication :- Le mode Suppression identifie les actions ou interactions existantes qui em-pêchent le système de recommander l'élément souhaité et suggère de les supprimer.- Le mode Ajout propose des actions ou des éléments supplémentaires qui, s'ilsétaient utilisés, déclencheraient la recommandation de l'élément manquant.Pour générer des explications dans les deux modes Ajout et Suppression, nousexplorons l'espace de solutions à l'aide d'un ensemble d'heuristiques adaptées àdes objectifs spécifiques. Le cadre offre plusieurs heuristiques, chacune servant unobjectif : l'heuristique incrémentale privilégie un calcul plus rapide en augmentantprogressivement le nombre d'éléments sélectionnés, potentiellement au détrimentd'explications minimales. En revanche, l'heuristique combinatoire vise à trouver desexplications plus petites en explorant minutieusement l'espace de solutions. De plus,une heuristique de comparaison exhaustive est incluse pour évaluer la contributionprécise de chaque voisin à l'élément manquant par rapport à tous les autres éléments,augmentant ainsi le taux de succès.Pour valider l'efficacité du cadre EMiGRe des évaluations expérimentales ap-profondies ont été menées sur des jeux de données synthétiques et réels. Les jeux dedonnées incluent des données provenant de sources telles qu'Amazon, simulant unscénario de commerce en ligne réel, ainsi que le jeu de données Food.com représentantun problème de recommandation sur une plateforme de recettes. Les résultats ex-périmentaux montrent qu'EMiGRe est capable de fournir des explications de bonnequalité pour les recommandations manquantes avec un minimum de surcharge com-putationnelle. En particulier, le système démontre une amélioration significativedes taux de succès des explications par rapport aux méthodes traditionnelles deforce brute, tout en maintenant une taille d'explication et un temps de traitementacceptables.De plus, cette thèse introduit une nouvelle évaluation des explications des recom-mandations manquantes, en définissant des métriques telles que le taux de succès, lataille de l'explication et le temps de traitement pour mesurer la qualité et l'efficacitédes explications.

In the era of big data, Recommendation Systems play a pivotal role in helping users navigate and discover relevant content from vast amounts of data. Whilemodern Recommendation Systems have evolved to provide accurate and relevant recommendations, they often fall short in explaining their decisions to users. Thislack of transparency raises important questions about trust and user engagement, especially in cases where certain expected items are not recommended. To addressthis, recent research has focused on developing explainable Recommendation Systems, which provide users with insights into why certain items are recommended oromitted.This thesis explores the specific area of Why-Not Explanations, which focuses on explaining why certain items are missing from the recommendation list. Theneed for Why-Not Explanations is particularly crucial in complex recommendation scenarios, where the absence of certain recommendations can lead to user dissatisfaction or mistrust. For instance, a user on an e-commerce platform might wonder why a specific product was not recommended despite fulfilling certain criteria. By providing explanations for missing recommendations, we aim to improve transparency, user satisfaction, engagement, and the overall trustworthiness of the system.The main contribution of this thesis is the development of EMiGRe (Explainable Missing Graph REcommender), a novel framework that provides actionable Why-Not Explanations for graph-based Recommendation Systems. Unlike traditional explainability methods, which focus on justifying why certain items were recommended, EMiGRe focuses on the absence of specific items from recommendation lists. The framework operates by analyzing the user's interactions within a Heterogeneous Information Graph (HIN) modelization of a dataset, identifying key actions or relations that, when modified, would have led to the recommendation of the missing item. EMiGRe provides two modes for explanation:• Remove Mode identifies existing actions or interactions that are preventing the system from recommending the desired item and suggests removing these.• Add Mode suggests additional actions or items that, if interacted with, would trigger the recommendation of the missing item.To generate explanations in both Add and Remove modes, we explore the solution space using a set of heuristics tailored for specific objectives. The framework offers multiple heuristics each serving a purpose: Incremental Powerset an Exhaustive Comparison . The Incremental heuristic prioritizes faster computation by gradually increasing the set of selected items, potentially overlooking minimal explanations. In contrast, the Powerset heuristic aims to find smaller explanations by thoroughly searching the solution space. Additionally, Exhaustive Comparison comparison heuristic is included to assess the precise contribution of each neighbor to the Why-Not Item (W NI) compared to all other items, increasing the success rate.To validate the effectiveness of the EMiGRe framework, extensive experimental evaluations were conducted on both synthetic and real-world datasets. The datasets include datasets from sources like Amazon, which simulates a real-world e-commerce scenario, and the Food dataset representing a recommendation problemin a recipe-based platform. The experimental results show that EMiGRe is able to provide good-quality Why-Not Explanations. Specifically, the system demonstratesan improvement in explanation success rates compared to traditional brute-force methods, while maintaining acceptable explanation size and processing time.Moreover, this thesis introduces a novel evaluation for Why-Not Explanations, defining metrics such as success rate, explanation size, and processing time to measure the quality and efficiency of explanations.