Explicaciones de Recomendaciones Conscientes de la Fidelidad mediante Integración Estocástica de Trayectorias
Fidelity-Aware Recommendation Explanations via Stochastic Path Integration
November 22, 2025
Autores: Oren Barkan, Yahlly Schein, Yehonatan Elisha, Veronika Bogina, Mikhail Baklanov, Noam Koenigstein
cs.AI
Resumen
La fidelidad explicativa, que mide la precisión con que una explicación refleja el razonamiento real de un modelo, sigue estando críticamente poco explorada en los sistemas de recomendación. Presentamos SPINRec (Integración de Trayectorias Estocásticas para Explicaciones de Recomendadores Neuronales), un enfoque agnóstico al modelo que adapta técnicas de integración de trayectorias a la naturaleza dispersa e implícita de los datos de recomendación. Para superar las limitaciones de métodos anteriores, SPINRec emplea muestreo estocástico de líneas base: en lugar de integrar desde una línea base fija o poco realista, muestrea múltiples perfiles de usuario plausibles a partir de la distribución empírica de datos y selecciona la trayectoria de atribución más fiel. Este diseño captura la influencia de las interacciones tanto observadas como no observadas, generando explicaciones más estables y personalizadas. Realizamos la evaluación de fidelidad más completa hasta la fecha, abarcando tres modelos (MF, VAE, NCF), tres conjuntos de datos (ML1M, Yahoo! Music, Pinterest) y un conjunto de métricas contrafactuales, incluyendo curvas de perturbación basadas en AUC y diagnósticos de longitud fija. SPINRec supera consistentemente a todos los métodos de referencia, estableciendo un nuevo estándar para la explicabilidad fidedigna en recomendación. El código y las herramientas de evaluación están disponibles públicamente en https://github.com/DeltaLabTLV/SPINRec.
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.