Расскажу про то, как мы исследовали тему объяснимых рекомендательных систем. В команде рекомендаций в Тинькофф нам было интересно не только строить качественные рекомендательные модели, но и также интерпретировать их работу. Для этого мы провели исследование текущих методов, которые могли бы быть нам полезны.

Однако протестировать их на реальных пользователях оказалось непросто. Оказалось, что известные методы объяснений могут генерировать что-то совсем неприемлемое даже для запуска АБ-тестов. Поэтому мы решили провести дополнительную разметку данных и провести исследования по качеству генерации объяснений различными методами.

В докладе будет про выводы, к которым мы пришли в итоге, а также небольшой обзор методов для генерации объяснений, который может быть полезен всем тем, кто интересуется темой рекомендательных систем. Даже если вы не занимались ей лично, то скорее всего хотя бы сталкивались с ними на практике. Поэтому вы сможете узнать общие идеи того, что лежит в основе объяснимых рекомендательных моделей.

Доклад рассчитан на людей, интересующихся recsys. Однако какого-то большого объема знаний по этой теме не понадобится, так как задача интуитивно понятная. А методы, которые мы использовали для генерации объяснений — простые.