확률적 경로 통합을 통한 정확도 인식 추천 설명

Fidelity-Aware Recommendation Explanations via Stochastic Path Integration

November 22, 2025

저자: Oren Barkan, Yahlly Schein, Yehonatan Elisha, Veronika Bogina, Mikhail Baklanov, Noam Koenigstein

cs.AI

초록

설명 충실도는 설명이 모델의 실제 추론 과정을 얼마나 정확하게 반영하는지를 측정하는 지표로, 추천 시스템 분야에서 여전히 심각하게 연구가 부족한 상태이다. 본 연구에서는 SPINRec(신경망 추천 설명을 위한 확률적 경로 통합)를 소개한다. 이는 모델에 독립적인 접근법으로, 경로 통합 기법을 추천 데이터의 희소성과 암묵성에 맞게 적용한 것이다. 기존 방법론의 한계를 극복하기 위해 SPINRec는 확률적 기준점 샘플링을 채택한다: 고정된 또는 비현실적인 기준점에서 통합하는 대신, 경험적 데이터 분포에서 여러 개의 그럴듯한 사용자 프로필을 샘플링하고 가장 충실한 귀속 경로를 선택한다. 이러한 설계는 관측된 상호작용과 관측되지 않은 상호작용의 영향력을 모두 포착하여 보다 안정적이고 개인화된 설명을 제공한다. 우리는 세 가지 모델(MF, VAE, NCF), 세 가지 데이터셋(ML1M, Yahoo! Music, Pinterest), 그리고 AUC 기반 변동 곡선 및 고정 길이 진단을 포함한 일련의 반사실적 메트릭을 통해 현재까지 가장 포괄적인 충실도 평가를 수행한다. SPINRec는 모든 기준 방법을 일관되게 능가하며, 추천 분야에서 충실한 설명 가능성에 대한 새로운 벤치마크를 수립한다. 코드와 평가 도구는 https://github.com/DeltaLabTLV/SPINRec에서 공개되어 있다.

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.