Explainable recommendation using path reasoning on Knowledge Graphs

Abstract

L'avancée de l'intelligence artificielle a conduit au développement de systèmes de recommandation sophistiqués. Parmi ceux-ci, les systèmes de recommandation explicables gagnent en importance en raison de leur capacité à fournir non seulement des recommandations, mais aussi des justifications pour ces recommandations. Cette thèse se concentre sur la recommandation explicative en utilisant le raisonnement sur les chemins dans les Knowledge Graphs (KG). Les KG sont une représentation structurée des données, où les entités et leurs relations sont représentées sous forme de nœuds et d'arêtes dans un graphe. Ils servent de source d'information contextuelle pour diverses applications d'intelligence artificielle, y compris les systèmes de recommandation. L'objectif principal de cette thèse est d'explorer et d'analyser l'explicabilité des systèmes de recommandation en exploitant le raisonnement sur les chemins dans les knowledge graphs. La méthode étudiée est CAFE (CoArse-to-FinE neural-symbolic reasoning for explainable recommendation), qui intègre le raisonnement symbolique avec des modèles de réseau neuronal pour générer des chemins des utilisateurs aux éléments recommandés. Cette approche contraste avec les modèles traditionnels de recommandation en boîte noire en fournissant des recommandations transparentes et interprétables, le chemin lui-même servant d'explication pour la recommandation. La thèse commence par présenter les connaissances requises sur les Knowledge Graphs et les techniques de génération d'embeddings, suivies d'une analyse approfondie des travaux similaires dans le domaine de l'intelligence artificielle explicable et des systèmes de recommandation. La section suivante détaille la mise en œuvre du modèle CAFE, comprenant la génération du KG, la création d'embeddings et le raisonnement sur les chemins. Les résultats montrent que la méthode CAFE améliore l'interprétabilité des systèmes de recommandation, mais pas leurs performances. Une meilleure explicabilité facilite la compréhension du processus de raisonnement pour les utilisateurs et les développeurs. Comme les performances sont réduites par rapport aux systèmes de recommandations non explicatifs, une adaptation du modèle CAFE en tant qu'explication post-hoc est proposée et utilisée sur un système de recommandation à base de Graph Neural Network (GNN). La thèse se conclut par une discussion des limites de l'approche CAFE et propose plusieurs pistes de recherche futures, telles que l'intégration de la causalité dans les KG et le développement de méthodes hybrides combinant le raisonnement sur les chemins avec d'autres techniques de recommandation.

The advancement of artificial intelligence has led to the development of sophisticated recommendation systems. Among these, explainable recommendation systems are gaining prominence due to their ability to provide not only recommendations but also justifications for those recommendations. This thesis focuses on explainable recommendation using path reasoning on Knowledge Graphs (KGs). Knowledge Graphs are a structured representation of data, where entities and their relations are represented as nodes and edges in a graph. They serve as a source of contextual information for various AI applications, including recommendation systems. The primary objective of this thesis is to explore and analyze the explainability of recommendation systems by leveraging path reasoning on Knowledge Graphs. The method investigated is CAFE (CoArse-to-FinE neural-symbolic reasoning for explainable recommendation), which integrates symbolic reasoning with neural network models to generate paths from users to recommended items. This approach contrasts with traditional black-box recommendation models by providing transparent and interpretable recommendations, with the path itself serving as the explanation for the recommendation. The thesis begins by presenting background knowledge on Knowledge Graphs and embedding techniques, followed by an in-depth analysis of related work in the domain of explainable AI and recommendation systems. The following section details the implementation of the CAFE model, including KG generation, embedding creation, and path reasoning. The results demonstrate that the CAFE method enhances the interpretability of recommendation systems, but not their performance, Better explainability makes it easier for users and developers to understand the underlying reasoning process. As the performance is reduced compared to non-explainable recommenders, an adaptation of the CAFE model as a post-hoc explainer is proposed and used on top of a Graph Neural Network (GNN) recommender. The thesis concludes with a discussion of the limitations of the CAFE approach and proposes several avenues for future research, such as integrating causality into KG and developing hybrid methods that combine path reasoning with other recommendation techniques.