[論文レビュー] Explaining Group Recommendations via Counterfactuals

Maria Stratigi, Nikos Bikakis+1 more|arXiv (Cornell University)|Jan 23, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

論文は、反実仮説を用いてグループ推奨を説明するフレームワークを提示し、アイテムレベルの指標、ユーティリティと公平性評価、そして現実データセットで評価された5つのヒューリスティック探索手法を導入します。

ABSTRACT

Group recommender systems help users make collective choices but often lack transparency, leaving group members uncertain about why items are suggested. Existing explanation methods focus on individuals, offering limited support for groups where multiple preferences interact. In this paper, we propose a framework for group counterfactual explanations, which reveal how removing specific past interactions would change a group recommendation. We formalize this concept, introduce utility and fairness measures tailored to groups, and design heuristic algorithms, such as Pareto-based filtering and grow-and-prune strategies, for efficient explanation discovery. Experiments on MovieLens and Amazon datasets show clear trade-offs: low-cost methods produce larger, less fair explanations, while other approaches yield concise and balanced results at higher cost. Furthermore, the Pareto-filtering heuristic demonstrates significant efficiency improvements in sparse settings.

研究の動機と目的

• グループ推薦システムにおける反実仮説の説明を形式化する。
• グループ内の認識、評価、影響を捉えるアイテムレベル指標を定義する。
• グループ反実仮説の探索を効率化するヒューリスティックアルゴリズムを開発・比較する。
• 説明の評価指標としてユーティリティと公平性を導入する。
• 実データセット上で説明サイズ、コスト、公平性のトレードオフを評価する。

提案手法

• ターゲット項目 t とグループ G を持つグループ反実仮説の正式モデル。
• アイテムレベル指標の定義：rc(i, S)、rt(i, S)、infl(i, t, I, G)、expwr(P, t, I)、i.score。
• 統合された説明ユーティリティ Ω(E) およびコスト cost(E) への集約。
• 反実仮説探索の5つのヒューリスティックアルゴリズム： Pareto-filtering、FixedWindow、GreedyGrow、Grow&Prune、ExpRebuild。
• MovieLensとAmazonでの実証評価により、説明サイズ、コスト、および公平性のトレードオフを検討。

実験結果

リサーチクエスチョン

• RQ1 反実仮説推論をどのようにグループ推奨の説明へ適用できるか。
• RQ2 グループ反実仮説の説明の関連性、影響、および公平性を捉える指標は何か。
• RQ3 効率性、最小性、公平性のトレードオフをグループ説明の生成においてヒューリスティック探索戦略はどうするか。
• RQ4 希薄データ設定で説明コストが説明の品質と公平性に与える影響は何か。

主な発見

• 低コストの手法は一般に説明が大きくなり公平性が低下する傾向。
• 高コストの手法は説明をより簡潔にし、グループメンバー間のバランスを改善。
• Pareto-filtering は特に希薄な設定で効率を著しく向上。
• アルゴリズムのスペクトルは、効率性、最小性、公平性のトレードオフを提供。
• フレームワークはグループ相互作用に基づく実用的でモデル非依存の説明を示す。