論文の概要: Counterfactual Profile Perturbations for Recommendation Explanations: A Reproducibility Study

• arxiv url: http://arxiv.org/abs/2610.36208v1
• Date: Mon, 26 Oct 2026 19:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.426359
• Title: Counterfactual Profile Perturbations for Recommendation Explanations: A Reproducibility Study
• Title（参考訳）: Recommendation Explanations: Reproducibility Study
• Abstract要約: 本稿では,eXplain Recommendations (LXR) における学習とeXplain Recommendations (LXR) の対実的説明手法について検討する。 以前の研究は、LXRがユーザーのプロファイルに適用された場合、ユーザの上位の項目が推奨されないように、確実に摂動を識別できることを示していた。
• 参考スコア（独自算出の注目度）: 0.8424129870149285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This reproducibility paper explores the counterfactual explanation technique known as Learning to eXplain Recommendations (LXR). Prior work has shown that LXR can reliably identify perturbations that, if applied to a user's profile, cause the user's top ranked item to no longer be recommended, thereby explaining the item's recommendation as a function of the user's rating choices. In this paper, we extend this work in multiple ways. We expand the scope of the original LXR study to look at explanations for items other than the most highly recommended item, finding that LXR is also effective at this version of the task. We consider alternate baselines for LXR, including item popularity and latent factor similarity, and we see that for some tasks these alternatives work surprisingly well. We also examine the impact of item popularity, finding that LXR offers better explanation quality (shorter perturbations) when less popular items are being explained. Finally, we conduct a brute-force exploration of a subset of the perturbation space in order to estimate a lower bound for optimal perturbation size against which LXR and other such methods can be compared.
• Abstract（参考訳）: 本論文は,Learning to eXplain Recommendations (LXR) として知られる,反実的説明手法について考察する。 以前の研究は、LXRがユーザーのプロファイルに適用された場合、ユーザの上位の項目が推奨されなくなるような摂動を確実に識別できることを示しており、それによって、ユーザの評価選択の関数として、その項目の推奨が説明される。 本稿では,本研究を複数の方法で拡張する。 我々は,LXR研究の範囲を広げ,最も推奨される項目以外の項目についての説明を行うとともに,LXRが課題のこのバージョンに有効であることを示す。 項目の人気や潜在要因の類似性など,LXRの代替ベースラインを検討する。 また、LXRは、あまり人気のないアイテムが説明されていない場合に、より優れた説明品質(厳しい摂動)を提供することを示した。 最後に、LXRや他の手法と比較可能な最適摂動サイズに対する下限を推定するために、摂動空間のサブセットをブルートフォースで探索する。

関連論文リスト

• User Preference Induction with LLMs for Offline Top-N Recommendation Evaluation [5.10348690267577]
  オフラインレコメンデータ評価における妥当性判断の枠組みを提案する。 我々のアプローチは2つの補完的な役割で大きな言語モデルを使用する。 実験により,この手法はオフライントップN評価の堅牢性を向上させるための有望な戦略であることが示された。
  論文  参考訳（メタデータ） (2026-07-13T10:16:24Z)
• Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation [5.656477996187559]
  Explainable Recommender System (ExRec)は、レコメンデーションプロセスへの透明性を提供し、ユーザの信頼を高め、オンラインサービスの運用を促進する。 既存のLLMベースのExRecモデルは、プロファイルの偏りと高い検索オーバーヘッドに悩まされ、デプロイメントを妨げている。 階層的集約(REXHA)を用いた検索拡張レコメンデーション記述生成を提案する。
  論文  参考訳（メタデータ） (2025-07-12T08:15:05Z)
• Rank-R1: Enhancing Reasoning in LLM-based Document Rerankers via Reinforcement Learning [76.50690734636477]
  ランキングタスクを実行する前にユーザクエリと候補文書の両方を推論する新しいLCMベースのリランカである Rank-R1 を導入する。 TREC DL と BRIGHT データセットを用いた実験により,Ranc-R1 が特に複雑なクエリに対して非常に有効であることが判明した。
  論文  参考訳（メタデータ） (2025-03-08T03:14:26Z)
• Path-based summary explanations for graph recommenders (extended version) [2.2789818122188925]
  そこで本稿では,ユーザやユーザグループに対して,項目レコメンデーションのセットを受信した理由を説明する要約説明を提案する。 また,効率的なグラフアルゴリズムを用いて説明を要約する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-29T13:10:03Z)
• Unlocking the Potential of Large Language Models for Explainable Recommendations [55.29843710657637]
  説明ジェネレータを最近登場した大規模言語モデル(LLM)に置き換える影響は、まだ不明である。 本研究では,シンプルで効果的な2段階説明可能なレコメンデーションフレームワークであるLLMXRecを提案する。 いくつかの重要な微調整技術を採用することで、制御可能で流動的な説明が十分に生成できる。
  論文  参考訳（メタデータ） (2023-12-25T09:09:54Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)
• Reinforced Path Reasoning for Counterfactual Explainable Recommendation [10.36395995374108]
  本稿では,項目属性に基づく反現実的説明を生成するために,CERec を新たに提案する。 我々は、与えられた知識グラフのリッチなコンテキスト情報を用いて、適応経路サンプリング器を用いて巨大な探索空間を縮小する。
  論文  参考訳（メタデータ） (2022-07-14T05:59:58Z)
• Regret in Online Recommendation Systems [73.58127515175127]
  本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。 各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。 推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
  論文  参考訳（メタデータ） (2020-10-23T12:48:35Z)

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。