LXR：学习如何解释推荐结果

《ACM Transactions on Recommender Systems》：LXR: Learning to eXplain Recommendations

可解释人工智能与推荐系统结合，提出LXR框架，通过自监督预训练和推断时微调生成对抗事实解释，支持混合推荐模型并建立新评估指标。

　　

摘要

推荐系统已成为许多在线服务的重要组成部分，它们利用用户数据提供个性化推荐。然而，随着这些系统复杂性的增加，理解其推荐背后的逻辑变得越来越困难。可解释人工智能（XAI）作为一个关键领域应运而生，旨在解决这一挑战，特别是在确保自动化决策过程的透明度和可信度方面。在本文中，我们介绍了“学习解释推荐”（LXR），这是一个可扩展的、与模型无关的框架，旨在为推荐系统生成符合事实的正确解释。

LXR可以为任何可微分的推荐系统生成的推荐生成解释。通过结合事实性和反事实性的损失项，LXR提供了稳健、准确且计算效率高的解释，这些解释反映了模型的内部决策过程。

LXR的一个关键特点是通过反事实推理来确保解释的事实准确性，从而在合理解释和准确解释之间架起桥梁。与依赖对用户数据进行穷尽性扰动的传统方法不同，LXR使用自监督学习方法高效地生成解释，而不会牺牲准确性。LXR分为两个阶段：预训练阶段和创新的推理时微调（ITF）阶段，后者在单个推荐层面细化解释，以最小的计算开销显著提高准确性。此外，LXR还应用于结合人口统计数据的混合推荐模型，展示了其在实际场景中的多功能性。最后，我们还展示了LXR解释用户推荐列表中不同排名推荐的能力。

作为次要贡献，我们引入了几种新颖的评估指标，这些指标受到计算机视觉中显著性图的启发，用于严格评估推荐系统中解释的反事实正确性。我们的结果表明，LXR为可解释性树立了新的基准，提供了准确、透明且可解释的解释。代码可在我们的GitHub仓库中找到：https://github.com/DeltaLabTLV/LXR。