確率的経路積分による忠実性を考慮した推薦説明

要旨

推薦システムにおける説明忠実度、すなわち説明がモデルの真の推論プロセスをどれだけ正確に反映するかを測る指標は、依然として著しく研究が進んでいない。本論文では、SPINRec（ニューラル推薦説明のための確率的経路積分）を提案する。これはモデルに依存しないアプローチであり、経路積分技術を推薦データのスパース性および暗黙的な性質に適応させたものである。既存手法の限界を克服するため、SPINRecは確率的ベースラインサンプリングを採用する。固定された、あるいは非現実的なベースラインから積分する代わりに、実データ分布から複数の妥当なユーザープロファイルをサンプリングし、最も忠実な帰属経路を選択する。この設計は、観測された相互作用と観測されなかった相互作用の両方の影響を捉え、より安定したパーソナライズされた説明を生成する。我々は、3つのモデル（MF、VAE、NCF）、3つのデータセット（ML1M、Yahoo! Music、Pinterest）、およびAUCベースの摂動曲線や固定長診断を含む一連の反事実的指標を用いて、現在までで最も包括的な忠実度評価を実施した。SPINRecは全てのベースライン手法を一貫して上回り、推薦における忠実な説明可能性の新たなベンチマークを確立した。コードおよび評価ツールはhttps://github.com/DeltaLabTLV/SPINRec で公開されている。

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.

確率的経路積分による忠実性を考慮した推薦説明

Fidelity-Aware Recommendation Explanations via Stochastic Path Integration

要旨

Support