稳健可解释推荐

可解释推荐系统是重要的研究领域，提供有关所建议推荐依据的原因。对于开发人员而言，带有推荐系统的解释对于调试系统中的异常问题非常有用；对于消费者而言，解释则有助于理解模型在捕捉其对项目真实偏好方面的有效性。然而，大多数现有的最先进 (SOTA) 可解释推荐器在噪声环境下无法保持其解释能力，并且在不同数据集之间不可推广。必须确保解释的稳健性，以防止某些恶意攻击者在高风险决策场景中获利，这可能对感兴趣的大型群体造成严重后果。在本文中，我们提出了一个面向特征的可解释推荐通用框架，可抵御外部攻击并提供稳健且通用的解释。本文提出的新型框架可作为附加防御工具，在遭受基于模型的白箱攻击时，保持全局可解释性。我们的框架实现简单，支持不同方法，无论其内部模型结构或内在效用如何。我们在三个规模日益增大的流行电子商务数据集上，对两种在特征方面具有不同架构的 SOTA 可解释算法进行实验。我们注意到，无论在正常还是噪声环境下，两种算法在所有数据集上的全局可解释性质量和稳健性都有整体提升，表明该框架的灵活性和可塑性。