基于 Top-k GNN 的推荐系统的联合事实性解释与反事实性解释

《ACM Transactions on Recommender Systems》：Joint Factual and Counterfactual Explanations for Top-k GNN-based Recommendations

图神经网络推荐系统难以提供具体解释，本文提出GREASE方法通过训练子图代理模型和优化邻接矩阵扰动，生成推荐结果的充分必要条件解释。

　　

摘要

近年来，图神经网络（GNNs）已成为开发强大推荐系统的新方法。然而，基于GNN的推荐系统很难给出具体解释，说明为什么某个特定项目会出现在给定用户的顶级k个推荐列表中。实际上，解释基于GNN的推荐结果具有特殊性，现有的GNN解释方法并不适用，因为这些方法是为了解释节点、边或图分类而设计的，而不是用于排名。在这项工作中，我们提出了GREASE方法，这是一种新颖的技术，用于解释任何基于黑盒GNN的推荐系统为给定用户提供的顶级k个推荐项目列表。具体而言，对于每个被推荐的项目，GREASE首先在目标用户-项目对及其l跳邻域的并集所形成的子图上训练一个替代GNN模型。然后，它通过寻找最优的邻接矩阵扰动来生成事实性和反事实性的解释，以捕捉该项目被推荐的“充分”和“必要”条件。在真实世界数据集上的实验表明，GREASE能够为流行的基于GNN的推荐模型生成简洁且有说服力的解释。