《Array》：Toward temporal stability in explainable AI: A framework for measuring explanation drift
编辑推荐：
提出解释漂移（explanation drift）作为动态推荐系统中的时序评估问题。提出一种结合时序图学习（temporal graph learning）、流式适应（streaming adaptation）与Shapley值归因（Shapley-based
提出解释漂移（explanation drift）作为动态推荐系统中的时序评估问题。提出一种结合时序图学习（temporal graph learning）、流式适应（streaming adaptation）与Shapley值归因（Shapley-based attribution）的框架。采用时序归因散度（Temporal Attribution Divergence，TAD）、解释稳定性得分（Explanation Stability Score，ESS）与解释半衰期（Explanation Half-Life，EHL）度量解释随时间的变化幅度、一致性与持续性。该框架在保持具有竞争力的推荐性能的同时降低解释漂移。在MovieLens-1M与Amazon Product Reviews数据集上评估时序解释稳定性。
一、研究背景与问题
推荐系统广泛应用于电子商务、在线媒体、社交网络与个性化学习平台，其核心目标是通过识别用户偏好来降低信息过载并推荐相关物品。近年来，深度学习与图表示方法显著提升了推荐性能，其中图神经网络（Graph Neural Networks，GNNs）因能将用户—物品交互表示为图结构而尤为适合推荐任务。然而，现代推荐系统会随新交互的产生而持续更新，这在维持推荐质量的同时也带来了解释一致性的挑战。
现有可解释人工智能（Explainable Artificial Intelligence，XAI）方法虽能通过Shapley值归因、图解释方法及知识图谱解释等方式提升推荐决策的可理解性，但绝大多数方法仅在单一时间点评估解释质量，未能度量模型反复更新后解释的变化情况。在流式或持续学习过程中，模型内部表征会发生变化，导致相同或相似推荐的解释在后续更新后产生差异，研究人员将这种时序变化定义为解释漂移。
并非所有解释变化都是有害的——当用户偏好、物品信息、情境或模型行为发生实质性变化时，解释理应随之改变。问题在于，当底层推荐情境变化有限时解释却发生不必要的大幅变动，研究人员将此类现象称为有害解释漂移（harmful-explanation drift）。因此，一个有效的时序解释方法应在推荐情境相似时保持稳定，同时能对有意义的变化做出响应。
现有研究存在明显缺口：可解释机器学习研究主要评估保真度、稀疏性、可解释性及与模型预测的一致性，但这些属性并未直接度量持续模型更新过程中的解释一致性；自适应推荐研究则主要关注预测精度、排序质量与对新交互的适应能力。因此，动态图推荐系统中解释的时序行为仍缺乏系统研究。
二、研究内容与主要结论
针对上述缺口，研究人员提出了一套用于度量和降低动态图推荐系统中解释漂移的框架。该框架将解释视为时序量而非独立输出，结合时序图表示学习、流式嵌入适应、Shapley值归因与漂移感知优化，引入三个度量指标：时序归因散度（TAD）、解释稳定性得分（ESS）与解释半衰期（EHL），分别评估持续更新过程中解释变化的幅度、一致性与持续性。研究在MovieLens-1M与Amazon Product Reviews数据集上进行了持续更新设置下的评估，核心目标是确定解释漂移能否在不明显损失推荐性能的前提下被度量并降低。
三、关键技术方法
研究人员采用了四项核心技术方法：第一，时序图表示学习，为每个用户和物品节点维护随时间演化的时序嵌入；第二，流式嵌入适应机制，使模型能响应新交互而更新内部表征；第三，Shapley值归因方法，基于博弈论估计各特征对推荐结果的贡献；第四，漂移感知优化策略，在保持推荐质量的同时约束不必要的解释变化。研究使用了MovieLens-1M与Amazon Product Reviews两个公开数据集。
四、研究结果
RQ1：推荐性能保持。 实验表明，所提框架在持续图更新条件下能够维持具有竞争力的推荐性能，说明解释稳定性约束并未明显损害推荐质量。
RQ2：解释漂移降低。 与所选解释基线方法相比，所提框架显著降低了解释漂移，验证了漂移感知优化与流式嵌入适应的有效性。
RQ3：时序嵌入适应的影响。 消融实验显示，时序嵌入适应机制对解释稳定性具有显著正面影响，是降低不必要解释变化的关键组件。
RQ4：推荐适应与解释稳定性的权衡。 参数敏感性分析揭示了推荐响应能力与解释一致性之间存在权衡关系，框架通过漂移感知优化实现了两者的平衡。
RQ5：计算开销。 时序解释监控与稳定化引入了额外计算成本，但实验结果表明该开销处于可接受范围。
五、讨论与结论
讨论部分指出，并非所有解释变化都应被抑制，高解释稳定性本身并不保证解释的正确性或有用性。框架的目标是在允许模型响应新交互的同时减少不必要的解释不稳定。研究局限性包括对特定数据集与基线方法的依赖，以及计算成本方面的考量。实际应用中，该框架可为需要长期保持解释一致性的动态推荐系统提供时序评估与稳定化手段。
研究结论表明，解释漂移可以在持续推荐更新过程中被有效度量并降低，且不会造成明显的推荐性能损失。时序嵌入适应对解释稳定性具有重要影响，推荐适应与解释一致性之间存在可管理的权衡关系。该研究将解释稳定性确立为自适应推荐系统的一项时序属性，为动态可解释推荐系统的评估与优化提供了新视角。未来研究方向包括在更多数据集与真实部署场景中验证框架的泛化能力，以及进一步降低时序解释监控的计算开销。
