سیستم های توصیه گر تفسیرپذیر مبتنی بر شبکه های عصبی گراف

سیستم های توصیه گر به عنوان یکی از کاربردهای مهم هوش مصنوعی، نقش اساسی در مدیریت اضافه بار اطلاعات و ارائه پیشنهادهای شخصی سازی شده در سامانه های آنلاین ایفا می کنند. در سال های اخیر، استفاده از شبکه های عصبی گراف (GNN) به دلیل توانایی آن ها در مدل سازی روابط پیچیده کاربر-آیتم، موجب بهبود قابل توجه دقت و کیفیت توصیه ها شده است. با این حال، ماهیت پیچیده این مدل ها سبب کاهش شفافیت و ایجاد چالش در زمینه تفسیرپذیری شده است؛ موضوعی که در بسیاری از کاربردهای واقعی برای افزایش اعتماد و پذیرش کاربران ضروری است. این مقاله با رویکردی مروری، به بررسی سیستم های توصیه گر مبتنی بر شبکه های عصبی گراف و تحلیل روش های ارائه شده در حوزه هوش مصنوعی تفسیرپذیر (XAI) می پردازد. در این راستا، رویکردهای تفسیرپذیری در چهار دسته اصلی شامل روش های مبتنی بر ساختار گراف، مکانیزم های توجه، روش های پس پردازشی و رویکردهای مبتنی بر داده های متنی و نظرات کاربران طبقه بندی و تحلیل شده اند. همچنین، معیارهای ارزیابی مورد استفاده برای سنجش هم زمان دقت توصیه و کیفیت توضیحات بررسی شده و چالش های موجود از جمله نبود چارچوب استاندارد ارزیابی و دشواری ایجاد توازن میان کارایی و تفسیرپذیری مورد بحث قرار گرفته است. نتایج این تحقیق نشان می دهد که اگرچه پیشرفت های چشمگیری در توسعه مدل های مبتنی بر GNN حاصل شده است، همچنان شکاف میان دقت بالا و ارائه توضیحات قابل فهم وجود دارد. در نهایت، مسیرهای پژوهشی آینده شامل توسعه مدل های ترکیبی، سبک تر و کاربرمحور و بهره گیری از مدل های زبانی پیشرفته برای ارتقای تفسیرپذیری پیشنهاد می شود.

کلیدواژه ها:

سیستم های توصیه گر ، شبکه های عصبی گراف ، تفسیرپذیری ، سیستم های توصیه گر تفسیر پذیر