Getrouwheidsbewuste Aanbevelingsverklaringen via Stochastische Padintegratie
Fidelity-Aware Recommendation Explanations via Stochastic Path Integration
November 22, 2025
Auteurs: Oren Barkan, Yahlly Schein, Yehonatan Elisha, Veronika Bogina, Mikhail Baklanov, Noam Koenigstein
cs.AI
Samenvatting
Uitlegfideliteit, die meet hoe nauwkeurig een uitleg de werkelijke redenering van een model weergeeft, blijft in aanbevelingssystemen ernstig onderbelicht. Wij introduceren SPINRec (Stochastic Path Integration for Neural Recommender Explanations), een model-agnostische benadering die padintegratietechnieken aanpast aan de spaarzaamheid en impliciete aard van aanbevelingsdata. Om de beperkingen van eerdere methoden te overwinnen, gebruikt SPINRec stochastische basislijnbemonstering: in plaats van te integreren vanaf een vaste of onrealistische basislijn, bemonstert het meerdere plausibele gebruikersprofielen uit de empirische datadistributie en selecteert het het meest getrouwe attributiepad. Dit ontwerp vangt de invloed van zowel waargenomen als niet-waargenomen interacties, wat resulteert in stabielere en meer gepersonaliseerde uitleg. Wij voeren de meest uitgebreide fideliteitsevaluatie tot nu toe uit over drie modellen (MF, VAE, NCF), drie datasets (ML1M, Yahoo! Music, Pinterest) en een reeks contrafeitelijke metrieken, inclusief op AUC gebaseerde verstoringscurves en diagnostieken met vaste lengte. SPINRec presteert consistent beter dan alle referentiemethoden en stelt daarmee een nieuwe standaard voor getrouwe verklaarbaarheid in aanbevelingen. Code en evaluatietools zijn openbaar beschikbaar op 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.