Khảo sát về hệ thống khuyến nghị có giải thích: Phương pháp, ứng dụng và thử thách

Tóm tắt

Hệ thống khuyến nghị có giải thích (Explainable Recommendation Systems – ERS) không chỉ cung cấp các đề xuất phù hợp mà còn kèm theo lời giải thích rõ ràng, giúp tăng tính minh bạch và độ tin cậy từ người dùng. Bài viết này khảo sát các phương pháp giải thích chính trong ERS, bao gồm giải thích dựa trên mô hình, giải thích sau khi ra kết quả và giải thích theo hướng người dùng, đồng thời phân tích các công trình tiêu biểu ứng dụng SHAP, LIME, PEPLER-D, GaVaMoE và G-Refer. Kết quả khảo sát chỉ ra nhiều thách thức quan trọng, như hạn chế trong mô hình hóa sở thích phức tạp, chi phí tính toán cao khi sử dụng LLMs, hiện tượng “ảo giác” trong giải thích, thiếu các tiêu chí đánh giá định lượng, cũng như rủi ro bảo mật dữ liệu cá nhân. Để khắc phục các thách thức, các hướng phát triển được đề xuất bao gồm: tối ưu hóa chi phí tính toán và khả năng mở rộng, đảm bảo tính nhất quán và chất lượng giải thích, cá nhân hóa lời giải thích theo người dùng, kết hợp đa phương pháp giải thích để tăng tính toàn diện, và xây dựng các cơ chế bảo mật và đạo đức trong hệ thống khuyến nghị có giải thích. Nghiên cứu này cung cấp cái nhìn tổng quan hệ thống ERS, định hướng cho các công trình tiếp theo nhằm nâng cao chất lượng và ứng dụng thực tiễn của ERS trong nhiều lĩnh vực.