| Student: | Toon Mertens |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | Met de stijgende populariteit van deep learning, zijn
er de laatste jaren veel neurale netwerk-gebaseerde aanbevelingssystemen
voorgesteld. Deze modellen verschillen in meerdere
opzichten; ze zijn gebaseerd op verschillende deep learning
technieken, gebruiken verschillende input data, en dienen verschillende
voorspellingsdoelen. Dit alles leidt tot een versnipperd
veld waar het vaststellen van baselines praktisch onmogelijk
is. Dit werk probeert een duidelijk overzicht te scheppen van
de verschillende neurale netwerk-gebaseerde modellen die zijn
voorgesteld. Vier modellen van collaborative filtering worden
geselecteerd voor verder onderzoek, waarbij de architectuur van
het model wordt beschreven, en de stappen worden gegeven die
nodig zijn om het model te implementeren. De mogelijkheid om
het model te gebruiken voor zowel impliciete als expliciete feedbackgegevens
wordt onderzocht. Evaluatie van de prestaties van
de modellen leidt tot interessante inzichten. Hieruit blijkt dat op
neurale netwerken gebaseerde aanbevelingssystemen geschikter
zijn voor het omgaan met expliciete data en dat traditionele
aanbevelingsmethoden de optimale keuze blijven voor impliciete
feedback. De mogelijkheid om uit te leggen waarom een bepaalde
voorspelling is gedaan is een groot voordeel, maar is tot nu
toe buiten beschouwing gelaten. Dit werk zal de haalbaarheid
onderzoeken van het introduceren van verklaarbaarheid in neurale
netwerk-gebaseerde aanbevelingssystemen. Het zal duidelijk
worden dat het toevoegen van inhoudsgegevens aan de collaboratieve
filteringgegevens essentieel is om verklaarbare output
te verkrijgen. Door het model aan te passen voor inhoudsdata
en door gebruik te maken van de bibliotheek shap, wordt
verklaarbaarheid gerealiseerd. |
|---|
| Abstract (Eng): | With the rise in popularity of deep learning, many
neural network-based recommender systems have been proposed
in recent years. These models vary in multiple aspects; they
are based on different deep learning techniques, use different
input data, and serve different prediction goals. All this leads
to a scattered field where establishing baselines is practically
impossible. This work tries to give a clear overview of the
different neural network-based models that have been proposed.
Four collaborative filtering models are selected for further
examination, where the model’s architecture is described, and
the steps required to implement the model are given. The
possibility of using the model for both implicit- and explicit
feedback data is explored. Evaluation of the models’ performance
leads to interesting insights. It shows that neural network-based
recommender systems are more suitable for dealing with explicit
data and that traditional recommendation methods remain the
optimal choice for implicit feedback. The ability to explain
why a certain prediction was made is a real advantage but
has previously been disregarded. This work will research the
feasibility of introducing explainability to neural network-based
recommender systems. It will become clear that adding content
data to the collaborative filtering data is essential in order to
obtain explainable output. By adapting the model for content
data and by using the shap library, explainability is realised. |
|---|