Abstract (FR)

Les systèmes de recommandation existants appliquent souvent des modèles basés sur la factorisation, qui se sont avérés efficaces pour la prédiction de scores. Cependant, la sémantique explicite des facteurs latents appris n'est pas claire, ce qui rend difficile l'explication des recommandations retournées. Par ailleurs, les méthodes basées sur l'argumentation sont devenues des outils importants de l'intelligence artificielle explicable. Dans cet article, nous proposons un modèle de recommandation argumentative sensible aux attributs (Attribute-Aware Argumentative Recommender-A 3 R) qui combine la factorisation et l'argumentation. Avec l'aide des systèmes d'argumentation, chaque étape de A 3 R est dotée d'une sémantique explicite, permettant à A 3 R de générer des explications facilement compréhensibles par les utilisateurs. Nos expériences sur cinq jeux de données provenant de trois domaines différents (films, musiques et livres) montrent que A 3 R est capable de prédire les scores de manière aussi précise que des méthodes à base de factorisation, et que A 3 R améliore largement la prédiction de scores par rapport aux méthodes existantes de recommandation argumentative.