arXiv cs.AI· Meysam Varasteh, Elizabeth McKinnie, Robin Burke·· 12 小时前AI 评分18
LXR 反事实推荐解释的可复现性研究：扩展至非首位推荐项与流行度影响
Counterfactual Profile Perturbations for Recommendation Explanations: A Reproducibility Study
AI 导读
可复现性研究对反事实解释方法 LXR 进行扩展验证，发现 LXR 在解释非最高排名推荐项时同样有效。研究引入物品流行度和隐因子相似度作为替代基线，部分任务上表现意外出色；LXR 在解释低流行度物品时扰动更短、解释质量更高。作者还对部分扰动空间做暴力搜索，估算最优扰动规模下界以供后续方法比较。
正文 · AI 翻译
摘要：这篇可复现性论文探讨了一种名为“学习解释推荐”（Learning to eXplain Recommendations，LXR）的反事实解释技术。先前的研究表明，LXR 能够可靠地识别出某些扰动——若将其施加于用户画像，会导致该用户排名最高的条目不再被推荐，从而将条目的推荐解释为用户评分选择的函数。在本文中，我们从多个方面扩展了这项工作。我们将原始 LXR 研究的范围扩展到对非最高推荐条目的解释，发现 LXR 在这一版本的任务上同样有效。我们为 LXR 考虑了替代基线，包括条目流行度和潜在因子相似度，并发现对于某些任务，这些替代方法的效果出奇地好。我们还考察了条目流行度的影响，发现当被解释的条目越不流行时，LXR 提供的解释质量越好（扰动越短）。最后，我们对扰动空间的一个子集进行了暴力探索，以估计最优扰动大小的下界，从而可以将 LXR 及其他此类方法与之进行比较。
| 学科： | 信息检索（cs.IR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36208 [cs.IR] |
| （或 arXiv:2610.36208v1 [cs.IR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36208 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Meysam Varasteh [查看电子邮件]
[v1]
2026年10月26日星期一 19:43:35 UTC（70 KB）
来源：arXiv cs.AI · arxiv.org