Spiegazioni delle Raccomandazioni con Consapevolezza della Fedeltà tramite Integrazione Stocastica dei Percorsi
Fidelity-Aware Recommendation Explanations via Stochastic Path Integration
November 22, 2025
Autori: Oren Barkan, Yahlly Schein, Yehonatan Elisha, Veronika Bogina, Mikhail Baklanov, Noam Koenigstein
cs.AI
Abstract
La fedeltà esplicativa, che misura l'accuratezza con cui una spiegazione riflette il ragionamento effettivo di un modello, rimane un'area gravemente sottostudiata nei sistemi di raccomandazione. Introduciamo SPINRec (Stochastic Path Integration for Neural Recommender Explanations), un approccio agnostico al modello che adatta le tecniche di integrazione del percorso alla natura sparsa e implicita dei dati di raccomandazione. Per superare i limiti dei metodi precedenti, SPINRec impiega un campionamento stocastico dei baseline: invece di integrare a partire da un baseline fisso o irrealistico, campiona molteplici profili utente plausibili dalla distribuzione empirica dei dati e seleziona il percorso di attribuzione più fedele. Questo progetto cattura l'influenza sia delle interazioni osservate che di quelle non osservate, producendo spiegazioni più stabili e personalizzate. Conduciamo la valutazione di fedeltà più completa ad oggi, coinvolgendo tre modelli (MF, VAE, NCF), tre dataset (ML1M, Yahoo! Music, Pinterest) e una serie di metriche controfattuali, incluse curve di perturbazione basate su AUC e diagnostiche a lunghezza fissa. SPINRec supera costantemente tutti i baseline, stabilendo un nuovo punto di riferimento per l'esplicabilità fedele nella raccomandazione. Il codice e gli strumenti di valutazione sono pubblicamente disponibili all'indirizzo 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.