Explications de recommandations sensibles à la fidélité par intégration stochastique de chemins
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
La fidélité explicative, qui mesure la précision avec laquelle une explication reflète le raisonnement véritable d'un modèle, demeure un domaine gravement sous-exploré dans les systèmes de recommandation. Nous présentons SPINRec (Intégration Stochastique de Chemins pour les Explications des Recommandeurs Neuronaux), une approche agnostique qui adapte les techniques d'intégration de chemin à la nature éparse et implicite des données de recommandation. Pour surmonter les limitations des méthodes antérieures, SPINRec utilise un échantillonnage stochastique de référence : au lieu d'intégrer à partir d'un point de référence fixe ou irréaliste, il échantillonne plusieurs profils utilisateurs plausibles à partir de la distribution empirique des données et sélectionne le chemin d'attribution le plus fidèle. Cette conception capture l'influence des interactions observées et non observées, produisant des explications plus stables et personnalisées. Nous menons l'évaluation de fidélité la plus exhaustive à ce jour sur trois modèles (MF, VAE, NCF), trois jeux de données (ML1M, Yahoo! Music, Pinterest) et une batterie de métriques contrefactuelles, incluant des courbes de perturbation basées sur l'AUC et des diagnostics à longueur fixe. SPINRec surpasse systématiquement toutes les méthodes de référence, établissant un nouveau standard pour l'explicabilité fidèle en recommandation. Le code et les outils d'évaluation sont disponibles publiquement à l'adresse 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.