Dublin Core
Title
Design of a framework to build explanaible recommendation systems using visual concepts
Subject
006.3
Ciencias de la computación
Inteligencia artificial
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2021
Una aplicación importante de inteligencia artificial son los sistemas recomendadores,
modelos que intentan predecir las preferencias de las personas, usualmente de manera personalizada.
En este contexto, las explicaciones son muy valiosas debido a los conocidos
beneficios en satisfacción, integridad, y escrutabilidad. Hoy en día, los sistemas de recomendación visuales son entrenados usando descriptores latentes extraídos con una red
de aprendizaje profundo pre-entrenada. Esta solución ha mostrado tener gran desempeño,
pero no es interpretable debido a que no pueden generarse explicaciones, tanto para el
usuario como para el modelo. En este trabajo, proponemos un framework para desarrollar
sistemas de recomendación explicables creando una representación de ítems basada
en conceptos, transformando modelos de arquitecturas existentes en modelos explicables.
Esta representación es interpretable y puede ser leída como información tabular. Proponemos
un algoritmo para crear una representación de ítems basada en conceptos, y
luego crear un embedding de conceptos para entrenar modelos de redes de aprendizaje
profundo. Luego, usando métodos de atribución de características podemos entregar explicaciones
para cualquier salida de un modelo, transformando un sistema de “caja negra”
en un sistema explicable. Nuestros resultados muestran que los sistemas de recomendación visuales entrenados usando nuestro embedding de conceptos tienen un desempeño
similar al de un sistema entrenado con descriptores latentes. También, pudimos entregar
explicaciones en términos de estos conceptos visuales debido a la naturaleza interpretable
del input. Nuestra investigación informa el desarrollo de una nueva aproximación a la recomendación explicable, basada en una representación interpretable basada en conceptos,
que no requiere el desarrollo de nuevas arquitecturas de modelos.
modelos que intentan predecir las preferencias de las personas, usualmente de manera personalizada.
En este contexto, las explicaciones son muy valiosas debido a los conocidos
beneficios en satisfacción, integridad, y escrutabilidad. Hoy en día, los sistemas de recomendación visuales son entrenados usando descriptores latentes extraídos con una red
de aprendizaje profundo pre-entrenada. Esta solución ha mostrado tener gran desempeño,
pero no es interpretable debido a que no pueden generarse explicaciones, tanto para el
usuario como para el modelo. En este trabajo, proponemos un framework para desarrollar
sistemas de recomendación explicables creando una representación de ítems basada
en conceptos, transformando modelos de arquitecturas existentes en modelos explicables.
Esta representación es interpretable y puede ser leída como información tabular. Proponemos
un algoritmo para crear una representación de ítems basada en conceptos, y
luego crear un embedding de conceptos para entrenar modelos de redes de aprendizaje
profundo. Luego, usando métodos de atribución de características podemos entregar explicaciones
para cualquier salida de un modelo, transformando un sistema de “caja negra”
en un sistema explicable. Nuestros resultados muestran que los sistemas de recomendación visuales entrenados usando nuestro embedding de conceptos tienen un desempeño
similar al de un sistema entrenado con descriptores latentes. También, pudimos entregar
explicaciones en términos de estos conceptos visuales debido a la naturaleza interpretable
del input. Nuestra investigación informa el desarrollo de una nueva aproximación a la recomendación explicable, basada en una representación interpretable basada en conceptos,
que no requiere el desarrollo de nuevas arquitecturas de modelos.
Creator
Ossa Guerra, Antonio
Date
2021-07-19T15:53:57Z
2021-07-19T15:53:57Z
2021
Contributor
Parra Santander, Denis
Löbel Díaz, Hans-Albert
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xiv, 55 páginas
application/pdf
Language
en
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/60995
https://doi.org/10.7764/tesisUC/ING/60995
https://repositorio.uc.cl/handle/11534/60995