跳转至

文章背景与核心概要

在推荐系统的研究中，如何提供直观、准确的解释一直备受关注。然而，传统的可解释性研究大多局限于解释推荐列表中的“单个物品”，且近年来多倾向于采用脱离推荐算法底层逻辑的方法。这在实际应用中往往无法满足用户对于复杂偏好比较的直观认知需求。

为了突破这一局限，本文引入了一种全新的研究任务——物品排名的成对解释（Pairwise Interpretation of Item Rankings），尝试回答诸如“为什么物品 A 的排名比物品 B 高？”这类比较性问题。该方法借鉴了人际交往心理学的研究成果，并将其与反系统底层逻辑紧密结合的反事实学习（Counterfactual Learning）技术相融合。

通过在多个数据集上的实验验证，该研究证明了挖掘用户历史画像中驱动相对排名的特定交互项是完全可行的。这一创新不仅为推荐系统提供了一种更加符合人类直觉的比较解释基础，也为未来可解释人工智能（XAI）在信息检索领域的深入应用开辟了新的技术路径。

Summary

This paper introduces a novel approach to explainability in recommender systems by shifting the focus from explaining single items to pairwise interpretation of item rankings (answering comparative questions such as "Why is item A ranked higher than item B?"). Drawing on interpersonal communication psychology and counterfactual learning, the authors propose a technique to mine user profiles and identify specific historical interactions that drive relative item ranking, offering a robust foundation for comparative explanations.

本文引入了一种新颖的推荐系统可解释性方法，将研究焦点从解释单个物品转移到物品排名的成对解释（即回答诸如“为什么物品 A 的排名比物品 B 高？”等比较性问题）。基于人际交往心理学和反事实学习，作者提出了一种挖掘用户画像的技术，以识别促成物品相对排名的特定历史交互，从而为比较性解释提供坚实的基础。

Article Details

  • Title: Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
  • arXiv ID: 2608.21662
  • Primary Subject: Information Retrieval (cs.IR)
  • Secondary Subject: Artificial Intelligence (cs.AI)
  • Submission Date: August 21, 2026
  • Authors:
  • Meysam Varasteh
  • Veronika Bogina
  • Noam Koenigstein
  • Robin Burke
  • 标题： 为什么是这个而不是那个？通过挖掘用户画像实现成对反事实解释
  • arXiv ID： 2608.21662
  • 主要学科： 信息检索 (cs.IR)
  • 次要学科： 人工智能 (cs.AI)
  • 提交日期： 2026年8月21日
  • 作者：
  • Meysam Varasteh
  • Veronika Bogina
  • Noam Koenigstein
  • Robin Burke

Abstract

The topic of explanation in recommender systems has seen steady research attention since the earliest days of the field. With some exceptions, this work has focused on the explanation of single items in a recommendation list and, especially recently, has emphasized approaches that are decoupled from the logic of the recommendation algorithm itself.

自该领域诞生之初，推荐系统中的解释问题就一直受到持续的研究关注。除了一些例外情况，这方面的工作主要集中在解释推荐列表中的单个物品，并且特别是在最近，强调与推荐算法本身的逻辑相解耦的方法。

Based on findings in the psychology of interpersonal communication, the authors propose a new task: pairwise interpretation of item rankings, asking the comparative question "Why is item A ranked higher than item B?". An effective solution to this task is inherently grounded in the operation of the recommendation algorithm.

基于人际交往心理学研究领域的发现，作者提出了一项新任务：物品排名的成对解释，即提出比较性问题：“为什么物品 A 的排名比物品 B 高？”。解决该任务的有效方案本质上必须立足于推荐算法的运行机制。

To address this, the paper proposes a class of techniques based on counterfactual learning to uncover the items in a user's profile that have contributed to the relative ranking of items. Using multiple datasets, the research demonstrates that it is possible to identify such items as a potential basis for comparative explanation.

为了解决这一问题，本文提出了一类基于反事实学习的技术，以揭示用户画像中对物品相对排名起促进作用的物品。通过使用多个数据集，该研究表明，识别此类物品作为比较解释的潜在基础是完全可行的。

Access & Resources

(Note: License icon is preserved below as per critical instructions) license icon

(注意：根据关键指令，下方保留了许可图标) license icon