Vysvětlitelné a upravitelné doporučování volnočasových aktivit

Abstract

Modern recommender systems achieve high accuracy thanks to latent representations, yet these representations are often opaque and difficult for users to control. This thesis aims to design and evaluate an approach that improves interpretability and enables in- teractive influence over recommendations in the domain of points of interest (POI) by integrating sparse autoencoders into a collaborative filtering model. The proposed solu- tion transforms dense user representations into sparse factors that can be semantically described and used for interactive recommendation steering. A large language model is used for automatic factor labeling and for generating concise explanations. The practical outcome of the thesis is a functional web application prototype and an offline evalua- tion that analyzes the trade-off between steerability and the preservation of predictive recommendation quality.

Současné doporučovací systémy dosahují vysoké přesnosti díky latentním reprezenta- cím, které jsou však často neprůhledné a pro uživatele obtížně ovladatelné. Cílem této diplomové práce je navrhnout a ověřit přístup, který zvyšuje interpretovatelnost a umož- ňuje interaktivní ovlivnění doporučení v doméně bodů zájmu (points of interest, POI) pomocí řídkých autoenkodérů integrovaných do modelu kolaborativního filtrování. Navr- žené řešení transformuje husté uživatelské reprezentace na řídké faktory, které lze séman- ticky popsat a využít pro interaktivní řízení doporučení (steering). Pro automatizované pojmenování faktorů a generování stručných vysvětlení je využit velký jazykový model. Praktickým výstupem práce je funkční prototyp webové aplikace a offline evaluace, která analyzuje kompromis mezi ovladatelností a zachováním prediktivní kvality doporučení.