超越事实正确性：缓解基于偏好不一致解释的可解释推荐问题
摘要
基于 LLM 的可解释推荐系统可以生成事实正确的流畅解释，但仍可能使用与用户历史偏好相冲突的属性来为物品提供理由。此类偏好不一致的解释虽然在逻辑上有效，但难以令人信服，且被标准的幻觉或忠实性指标所忽略。我们形式化了这一失效模式，提出 PURE（偏好感知推理框架），遵循选择后生成范式。除了改进生成之外，PURE 还干预证据选择过程，选择一组紧凑的多跳、以物品为中心的推理路径，这些路径在事实依据和与用户偏好结构一致方面都表现良好，引导用户意图、特定性和多样性，以抑制通用、弱人类化的证据。选定的证据通过结构感知式提示注入 LLM 生成中，以保持关系约束。为衡量偏好不一致性，我们引入了一个基于特征层面的、以用户为中心的评估指标，揭示了被事实正确性基于的措施所忽视的误差。在三个真实数据集上的实验表明，PURE 在保持竞争性的推荐准确度、解释质量和推理效率的同时，一致地减少了偏好不一致的解释和事实幻觉。这些结果表明，值得信赖的解释不仅需要事实正确性，还需要与用户偏好一致的论证。
引用
@article{arxiv.2603.03080,
title = {Beyond Factual Correctness: Mitigating Preference-Inconsistent Explanations in Explainable Recommendation},
author = {Chengkai Wang and Baisong Liu},
journal= {arXiv preprint arXiv:2603.03080},
year = {2026}
}
备注
The authors have identified an issue in the evaluation protocol in Section 5.1.3. Feature extraction and semantic matching used to compute P-EHR require correction and re-validation, as they may not have been applied consistently across all generated explanations and baselines. This may affect part of the reported quantitative results and analysis, so the authors withdraw this version