Fugu-MT 論文翻訳(概要): FIRE: Faithful Interpretable Recommendation Explanations

論文の概要: FIRE: Faithful Interpretable Recommendation Explanations

arxiv url: http://arxiv.org/abs/2508.05225v1
Date: Thu, 07 Aug 2025 10:11:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-08 18:59:39.803656
Title: FIRE: Faithful Interpretable Recommendation Explanations
Title（参考訳）: FIRE: Fithful Interpretable Recommendation Explanations
Authors: S. M. F. Sani, Asal Meskin, Mohammad Amanlou, Hamid R. Rabiee,
Abstract要約: 推薦システムにおける自然言語の説明は、しばしばレビュー生成タスクとしてフレーム化される。 FireはSHAPベースの特徴属性と構造化されたプロンプト駆動言語生成を組み合わせた軽量で解釈可能なフレームワークである。この結果から,FIREは競争推奨精度を達成するだけでなく,アライメント,構造,忠実度といった重要な次元に沿った説明品質を著しく向上することが示された。
参考スコア（独自算出の注目度）: 2.6499018693213316
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Natural language explanations in recommender systems are often framed as a review generation task, leveraging user reviews as ground-truth supervision. While convenient, this approach conflates a user's opinion with the system's reasoning, leading to explanations that may be fluent but fail to reflect the true logic behind recommendations. In this work, we revisit the core objective of explainable recommendation: to transparently communicate why an item is recommended by linking user needs to relevant item features. Through a comprehensive analysis of existing methods across multiple benchmark datasets, we identify common limitations-explanations that are weakly aligned with model predictions, vague or inaccurate in identifying user intents, and overly repetitive or generic. To overcome these challenges, we propose FIRE, a lightweight and interpretable framework that combines SHAP-based feature attribution with structured, prompt-driven language generation. FIRE produces faithful, diverse, and user-aligned explanations, grounded in the actual decision-making process of the model. Our results demonstrate that FIRE not only achieves competitive recommendation accuracy but also significantly improves explanation quality along critical dimensions such as alignment, structure, and faithfulness. This work highlights the need to move beyond the review-as-explanation paradigm and toward explanation methods that are both accountable and interpretable.
Abstract（参考訳）: 推薦システムにおける自然言語の説明は、しばしばレビュー生成タスクとしてフレーム化され、ユーザーレビューを根底からの監督として活用する。便利ではあるが、このアプローチはユーザの意見とシステムの推論を混同し、流動性があるがレコメンデーションの背後にある真の論理を反映できない説明につながる。本稿では,ユーザニーズを関連項目の機能にリンクすることで,なぜ推奨されるのかを透過的に伝達する,説明可能な推奨のコア目的を再考する。複数のベンチマークデータセットにまたがる既存手法の包括的分析を通じて、モデル予測と弱い整合性、ユーザ意図の識別における曖昧さや不正確さ、過度に反復的あるいは汎用性を備えた、一般的な制限-説明を識別する。これらの課題を克服するために、SHAPベースの特徴属性と構造化されたプロンプト駆動言語生成を組み合わせた軽量かつ解釈可能なフレームワークFIREを提案する。 FIREは、モデルの実際の意思決定プロセスに基づいて、忠実で多様性があり、ユーザに準拠した説明を生成する。この結果から,FIREは競争推奨精度を達成するだけでなく,アライメント,構造,忠実度といった重要な次元に沿った説明品質を著しく向上することが示された。この研究は、レビュー・アズ・エクスプランテーションのパラダイムを超えて、説明責任と解釈可能な説明方法に移行する必要性を強調している。

関連論文リスト

CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
論文参考訳（メタデータ） (2025-08-05T17:55:24Z)
Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations [9.082885521130617]
本稿では、階層的相互作用要約(PGHIS)によるプロファイル生成と、説明生成(CPEG)のための対照的なプロンプトを組み合わせた新しいアプローチを提案する。提案手法は既存の最先端手法よりも優れており,説明可能性(GPTScoreの5%など)とテキスト品質に関する指標の大幅な改善を実現している。
論文参考訳（メタデータ） (2025-07-08T14:45:47Z)
CLATTER: Comprehensive Entailment Reasoning for Hallucination Detection [60.98964268961243]
我々は,系統的かつ包括的な推論プロセスを実行するためのモデルを導くことで,モデルがよりきめ細やかで正確な絞り込み決定を実行できることを提案する。我々は,(i)クレームの分解,(ii)サブクレームの属性と包含分類,および(iii)集約分類から成る3段階の推論プロセスを定義し,そのような導出推論が実際に幻覚検出の改善をもたらすことを示す。
論文参考訳（メタデータ） (2025-06-05T17:02:52Z)
RAG-Zeval: Towards Robust and Interpretable Evaluation on RAG Responses through End-to-End Rule-Guided Reasoning [64.46921169261852]
RAG-Zevalは、ルール誘導推論タスクとして忠実さと正しさの評価を定式化する、新しいエンドツーエンドフレームワークである。提案手法は、強化学習による評価者を訓練し、コンパクトなモデルにより包括的および音質評価を生成する。実験では、RAG-Zevalの優れた性能を示し、人間の判断と最も強い相関性を達成した。
論文参考訳（メタデータ） (2025-05-28T14:55:33Z)
RAGXplain: From Explainable Evaluation to Actionable Guidance of RAG Pipelines [0.7373617024876725]
RAGXplainは、RAGのパフォーマンスを定量化し、これらの評価を明確な洞察に変換する評価フレームワークである。したがって、RAGXplainは定量的評価と実用的な最適化を橋渡しし、ユーザーがAIシステムを理解し、信頼し、拡張することを可能にする。
論文参考訳（メタデータ） (2025-05-18T17:25:34Z)
G-Refer: Graph Retrieval-Augmented Large Language Model for Explainable Recommendation [48.23263809469786]
本稿では,グラフ検索拡張大言語モデル (LLM) を用いた提案手法を提案する。 G-Referは、説明可能性と安定性の両方において既存の手法と比較して優れた性能を達成する。
論文参考訳（メタデータ） (2025-02-18T06:42:38Z)
Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。 3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文参考訳（メタデータ） (2023-05-09T10:38:36Z)
Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。これは、説明に表される論理述語に基づいて、反実仮説を生成する。そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文参考訳（メタデータ） (2022-05-25T03:40:59Z)
Explainability in Music Recommender Systems [69.0506502017444]
音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
論文参考訳（メタデータ） (2022-01-25T18:32:11Z)
Counterfactual Explainable Recommendation [22.590877963169103]
本稿では、因果推論から反実的推論の洞察を取り入れて説明可能な推薦を行うCountERを提案する。 CountERは、モデル決定に対して単純(低複雑性)で効果的な(高強度)説明を求める。以上の結果から,我々のモデルは,最先端のレコメンデーションモデルよりも正確かつ効果的に説明できることを示す。
論文参考訳（メタデータ） (2021-08-24T06:37:57Z)
Explainable Recommendation via Interpretable Feature Mapping and Evaluation of Explainability [22.58823484394866]
実験結果は、推奨と説明の両方において強力なパフォーマンスを示し、メタデータの必要性を排除した。本稿では,解釈不能な一般特徴を解釈不能な側面特徴にマッピングする新しい特徴マッピング手法を提案する。
論文参考訳（メタデータ） (2020-07-12T23:49:12Z)
Evaluations and Methods for Explanation through Robustness Analysis [117.7235152610957]
分析による特徴に基づく説明の新たな評価基準を確立する。我々は、緩やかに必要であり、予測に十分である新しい説明を得る。我々は、現在の予測をターゲットクラスに移動させる一連の特徴を抽出するために、説明を拡張します。
論文参考訳（メタデータ） (2020-05-31T05:52:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。