Объяснения рекомендаций с учетом достоверности посредством стохастического интегрирования по путям

Fidelity-Aware Recommendation Explanations via Stochastic Path Integration

November 22, 2025

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

cs.AI

Аннотация

Верность объяснений, измеряющая точность отражения истинных механизмов рассуждений модели, остается критически малоизученной в рекомендательных системах. Мы представляем SPINRec (стохастическое интегрирование по путям для объяснений нейросетевых рекомендательных систем) — модель-агностический подход, адаптирующий методы интегрирования по путям к разреженной и неявной природе рекомендательных данных. Для преодоления ограничений предыдущих методов SPINRec использует стохастический выбор базового уровня: вместо интегрирования от фиксированного или нереалистичного базового уровня метод выбирает несколько правдоподобных пользовательских профилей из эмпирического распределения данных и отбирает наиболее достоверный путь атрибуции. Данная конструкция учитывает влияние как наблюдаемых, так и ненаблюдаемых взаимодействий, обеспечивая более стабильные и персонализированные объяснения. Мы проводим наиболее комплексную на сегодняшний день оценку верности для трех моделей (MF, VAE, NCF), трех наборов данных (ML1M, Yahoo! Music, Pinterest) и набора контрафактивных метрик, включая кривые возмущений на основе AUC и диагностики фиксированной длины. SPINRec стабильно превосходит все базовые методы, устанавливая новый стандарт достоверной объяснимости в рекомендательных системах. Код и инструменты оценки доступны по адресу 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.