Show simple item record

dc.contributor.authorZhong, Jinfeng
dc.contributor.authorNegre, Elsa
dc.date.accessioned2022-02-23T11:10:53Z
dc.date.available2022-02-23T11:10:53Z
dc.date.issued2022
dc.identifier.urihttps://basepub.dauphine.psl.eu/handle/123456789/22734
dc.description.abstractfrCes dernières années ont vu croître le déploiement des systèmes de recommandation en tant qu'outils d'aide à la décision. Les systèmes de recommandation sont omniprésents dans notre vie quotidienne. Les algorithmes utilisés dans les systèmes de recommandation deviennent de plus en plus impénétrables, si bien que certains systèmes de recommandation restent des boîtes noires pour la plupart des utilisateurs. De fait, les utilisateurs ont du mal à faire pleinement confiance à de tels systèmes. Par conséquent, l'amélioration des interactions entre utilisateurs et systèmes de recommandation attire de plus en plus l'attention. L'un des sujets populaires au sein de la communauté scientifique est l'explication des recommandations. Dans cet article, nous étudions la possibilité de fournir des explications contextuelles pour les recommandations et discutons des méthodes potentielles d'évaluation de telles explications.
dc.language.isofren
dc.subjectsystèmes de recommandation
dc.subject.ddc006.3en
dc.titleVers l'amélioration des interactions entre utilisateurs et systèmes de recommandation
dc.typeCommunication / Conférence
dc.subject.ddclabelIntelligence artificielleen
dc.relation.conftitleATELIER EXPLAIN'AI Hébergé à la conférence EGC 2022
dc.relation.confdate2022-01
dc.relation.confcityBlois
dc.relation.confcountryFRANCE
dc.relation.forthcomingnonen
dc.description.ssrncandidatenon
dc.description.halcandidatenon
dc.description.readershiprecherche
dc.description.audienceNational
dc.date.updated2022-10-05T10:32:21Z


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record