소셜 추천 시스템에서 시너지 효과에 대한 설명

Explaining Synergistic Effects in Social Recommendations

소셜 추천 시스템에서 여러 소셜 네트워크 간의 내재적인 비선형성과 불투명성은 사용자가 다양한 정보를 어떻게 활용하여 추천을 제공하는지 이해하는 것을 어렵게 만들어 설명 가능성을 저하시킵니다. 기존의 설명 시스템은 추천에 큰 영향을 미치는 소셜 네트워크의 토폴로지 정보만을 식별할 수 있지만, 이 정보 간의 시너지 효과를 추가적으로 설명하지 못합니다. 기존 연구에서 시너지 효과가 입력과 예측 사이의 상호 정보를 향상시켜 정보 획득을 유도한다는 사실에 영감을 받아, 본 연구에서는 이를 그래프 데이터에 적용했습니다. 그래프 정보 획득량을 정량화하여 시너지 효과를 나타내는 부분 그래프를 식별합니다. 이러한 이론적 통찰력을 바탕으로, 시너지 효과를 나타내는 부분 그래프를 식별하여 설명하는 SemExplainer를 제안합니다. SemExplainer는 먼저 다중 관점 소셜 네트워크에서 설명 가능한 부분 그래프를 추출하여 추천에 대한 초기 중요도 설명을 생성합니다. 정보 획득을 극대화하는 조건부 엔트로피 최적화 전략을 개발하여, 설명 가능한 부분 그래프에서 시너지 효과를 나타내는 부분 그래프를 추가적으로 식별합니다. 마지막으로, SemExplainer는 시너지 부분 그래프 내에서 사용자로부터 추천 항목으로 이어지는 경로를 검색하여 추천에 대한 설명을 생성합니다. 세 가지 데이터 세트에 대한 광범위한 실험 결과는 SemExplainer가 기존 방법보다 우수한 성능을 보이며, 시너지 효과에 대한 더 나은 설명을 제공한다는 것을 입증합니다.

In social recommenders, the inherent nonlinearity and opacity of synergistic effects across multiple social networks hinders users from understanding how diverse information is leveraged for recommendations, consequently diminishing explainability. However, existing explainers can only identify the topological information in social networks that significantly influences recommendations, failing to further explain the synergistic effects among this information. Inspired by existing findings that synergistic effects enhance mutual information between inputs and predictions to generate information gain, we extend this discovery to graph data. We quantify graph information gain to identify subgraphs embodying synergistic effects. Based on the theoretical insights, we propose SemExplainer, which explains synergistic effects by identifying subgraphs that embody them. SemExplainer first extracts explanatory subgraphs from multi-view social networks to generate preliminary importance explanations for recommendations. A conditional entropy optimization strategy to maximize information gain is developed, thereby further identifying subgraphs that embody synergistic effects from explanatory subgraphs. Finally, SemExplainer searches for paths from users to recommended items within the synergistic subgraphs to generate explanations for the recommendations. Extensive experiments on three datasets demonstrate the superiority of SemExplainer over baseline methods, providing superior explanations of synergistic effects.