[论文解读] GREASE: Generate Factual and Counterfactual Explanations for GNN-based Recommendations

Ziheng Chen, Fabrizio Silvestri+5 more|arXiv (Cornell University)|Aug 4, 2022

Advanced Graph Neural Networks被引用 11

一句话总结

GREASE 是一种针对基于图神经网络（GNN）的推荐系统的新颖黑箱解释方法，通过扰动目标用户-物品对的局部 $l$-跳邻域图，生成事实性与反事实性解释。该方法在生成简洁、用户可理解的解释方面优于基线方法，能够捕捉推荐的充分与必要条件，在真实世界数据集上展现出更优的忠实度与覆盖率。

ABSTRACT

Recently, graph neural networks (GNNs) have been widely used to develop successful recommender systems. Although powerful, it is very difficult for a GNN-based recommender system to attach tangible explanations of why a specific item ends up in the list of suggestions for a given user. Indeed, explaining GNN-based recommendations is unique, and existing GNN explanation methods are inappropriate for two reasons. First, traditional GNN explanation methods are designed for node, edge, or graph classification tasks rather than ranking, as in recommender systems. Second, standard machine learning explanations are usually intended to support skilled decision-makers. Instead, recommendations are designed for any end-user, and thus their explanations should be provided in user-understandable ways. In this work, we propose GREASE, a novel method for explaining the suggestions provided by any black-box GNN-based recommender system. Specifically, GREASE first trains a surrogate model on a target user-item pair and its $l$-hop neighborhood. Then, it generates both factual and counterfactual explanations by finding optimal adjacency matrix perturbations to capture the sufficient and necessary conditions for an item to be recommended, respectively. Experimental results conducted on real-world datasets demonstrate that GREASE can generate concise and effective explanations for popular GNN-based recommender models.

研究动机与目标

• 为解决基于 GNN 的推荐系统中缺乏用户可理解解释的问题，这些系统通常针对专家决策设计，而非一般终端用户。
• 克服现有 GNN 解释方法的局限性，这些方法针对的是节点/图分类任务，而非推荐系统中常见的排序任务。
• 开发一种方法，以非专家用户可理解的方式生成事实性解释（充分条件）与反事实性解释（必要条件）。
• 在黑箱设置下运行，仅需访问模型的预测评分，无需其内部架构或参数。
• 通过真实世界数据集上流行的基于 GNN 的推荐模型，使用忠实度指标（如 PN、PS 和 EC）评估解释的有效性。

提出的方法

• GREASE 在目标用户-物品对的 $l$-跳邻域上训练一个代理模型，以局部近似 GNN 的行为。
• 将解释生成任务建模为对邻接矩阵扰动的优化问题，以识别关键交互。
• 对于事实性解释，它寻找最小的交互集合（充分条件），这些集合仍能导致物品被推荐。
• 对于反事实性解释，它识别出移除后将导致物品不再被推荐的交互集合（必要条件）。
• 该方法使用邻接矩阵的可微分松弛，以支持基于梯度的扰动搜索。
• 解释是事后生成的，设计为简洁且对终端用户具有语义意义。

实验结果

研究问题

• RQ1 黑箱解释方法能否生成忠实于基于 GNN 的推荐系统行为的事实性与反事实性解释？
• RQ2 生成的解释在多大程度上捕捉了物品被推荐的充分与必要条件？
• RQ3 GREASE 能否生成既简洁又对终端用户可理解的解释，而非仅针对专家的技术性解释？
• RQ4 与 PersonalRank 和随机采样等基线方法相比，GREASE 在忠实度与覆盖率方面表现如何？
• RQ5 GREASE 的性能是否在不同基于 GNN 的推荐模型与真实世界数据集上具有泛化能力？

主要发现

• 在所有数据集和推荐 top-k 设置下，GREASE 在 PN（邻域精确率）和 PS（支持精确率）指标上均取得最高分，表明其在识别相关交互方面具有更优的忠实度。
• 在 LastFM 数据集上，top-10 推荐设置中，GREASE 的 PN 为 0.87（±6.00），PS 为 0.66（±5.00），显著优于 PersonalRank 和 Random 基线。
• 在 Yelp 数据集上，top-15 推荐设置中，GREASE 的 PN 为 0.85（±7.00），PS 为 0.68（±9.00），表明其在不同推荐列表长度下均保持一致的性能。
• EC（解释覆盖率）指标显示，GREASE 生成的解释更简洁，LastFM 上为 3.76（±0.51），Yelp 上 top-15 为 6.30（±0.87），表明其以更少的交互实现更好的覆盖率。
• 在所有设置中，GREASE 在所有评估指标上均持续优于 PersonalRank 和 Random 基线，证实其在生成高质量解释方面的有效性。
• 消融实验表明，联合优化事实性与反事实性解释相比单一类型解释生成，能显著提升整体解释质量。