Treuebewusste Empfehlungserklärungen durch stochastische Pfadintegration
Fidelity-Aware Recommendation Explanations via Stochastic Path Integration
November 22, 2025
papers.authors: Oren Barkan, Yahlly Schein, Yehonatan Elisha, Veronika Bogina, Mikhail Baklanov, Noam Koenigstein
cs.AI
papers.abstract
Erklärungstreue, die misst, wie genau eine Erklärung die tatsächliche Entscheidungsfindung eines Modells widerspiegelt, ist in Recommender-Systemen nach wie vor kritisch unerforscht. Wir stellen SPINRec (Stochastic Path Integration for Neural Recommender Explanations) vor, einen modellagnostischen Ansatz, der Pfadintegrations-Techniken an die spärliche und implizite Natur von Empfehlungsdaten anpasst. Um die Grenzen früherer Methoden zu überwinden, setzt SPINRec auf stochastisches Baseline-Sampling: Anstatt von einer festen oder unrealistischen Baseline aus zu integrieren, werden mehrere plausible Benutzerprofile aus der empirischen Datenverteilung gezogen und der pfadtreueste Attributionspfad ausgewählt. Dieses Design erfasst den Einfluss sowohl beobachteter als auch unbeobachteter Interaktionen und liefert so stabilere und personalisiertere Erklärungen. Wir führen die bislang umfassendste Treuebewertung durch, die drei Modelle (MF, VAE, NCF), drei Datensätze (ML1M, Yahoo! Music, Pinterest) und eine Reihe von kontrafaktischen Metriken, einschließlich AUC-basierter Perturbationskurven und Fixed-Length-Diagnosen, umfasst. SPINRec übertrifft durchgängig alle Baseline-Methoden und setzt damit einen neuen Maßstab für verlässliche Erklärbarkeit in der Empfehlungsforschung. Code und Auswertungswerkzeuge sind öffentlich unter https://github.com/DeltaLabTLV/SPINRec verfügbar.
English
Explanation fidelity, which measures how accurately an explanation reflects a model's true reasoning, remains critically underexplored in recommender systems. We introduce SPINRec (Stochastic Path Integration for Neural Recommender Explanations), a model-agnostic approach that adapts path-integration techniques to the sparse and implicit nature of recommendation data. To overcome the limitations of prior methods, SPINRec employs stochastic baseline sampling: instead of integrating from a fixed or unrealistic baseline, it samples multiple plausible user profiles from the empirical data distribution and selects the most faithful attribution path. This design captures the influence of both observed and unobserved interactions, yielding more stable and personalized explanations. We conduct the most comprehensive fidelity evaluation to date across three models (MF, VAE, NCF), three datasets (ML1M, Yahoo! Music, Pinterest), and a suite of counterfactual metrics, including AUC-based perturbation curves and fixed-length diagnostics. SPINRec consistently outperforms all baselines, establishing a new benchmark for faithful explainability in recommendation. Code and evaluation tools are publicly available at https://github.com/DeltaLabTLV/SPINRec.