EviSnap: Faithful Evidence-Cited Explanations for Cold-Start Cross-Domain Recommendation

EviSnap est un cadre léger de recommandation transdomaine qui génère des explications fidèles et vérifiables en associant les prédictions des utilisateurs à des citations textuelles exactes issues de critiques, surpassant ainsi les modèles existants en précision et en interprétabilité.

L'essentiel

🎬 Le Problème : Le "Choc Culturel" des Recommandations

Imaginez que vous êtes un grand fan de films d'horreur (votre domaine source). Vous avez vu des centaines de films, vous savez exactement ce que vous aimez (peur, suspense, pas de fin heureuse).

Soudain, vous arrivez dans un nouveau monde : celui de la musique (le domaine cible). Vous n'avez jamais écouté un seul disque ici. Un système de recommandation classique va essayer de vous deviner en regardant vos goûts pour les films, mais il risque de se tromper ou, pire, de vous dire : "Je vous recommande ce disque parce que mon algorithme le dit", sans pouvoir vous expliquer pourquoi. C'est comme si un ami vous disait : "Écoute ça, c'est cool" sans jamais vous dire ce qu'il y a dedans.

C'est le problème des systèmes actuels : ils sont des boîtes noires. On ne sait pas ce qu'ils ont transféré de vos goûts en films vers la musique.

---

📸 La Solution : EviSnap, le "Snap" de Preuve

EviSnap (Evidence Snap) est un nouveau système conçu pour être honnête et transparent. Au lieu de deviner dans le vide, il agit comme un photographe de preuves.

Voici comment il fonctionne, étape par étape, avec des analogies simples :

1. La "Carte d'Identité" des Goûts (Les Facettes)

Au lieu de lire des centaines de critiques de films ou de musique pour comprendre un utilisateur, EviSnap utilise une intelligence artificielle (un LLM) pour créer une "carte d'identité" concise.

• L'analogie : Imaginez que vous avez un tas de lettres d'amour et de plaintes. EviSnap ne les lit pas mot à mot pour les stocker. Il les résume en petits mots-clés (comme "rythme rapide", "histoire triste", "prix abordable") et, surtout, il colle la phrase exacte de la lettre qui prouve ce mot-clé.
• Le résultat : Pour chaque utilisateur et chaque objet, le système a une liste de "preuves" (des phrases exactes) qui disent : "J'aime ça" ou "Je n'aime pas ça".

2. Le "Dictionnaire Universel" (La Banque de Concepts)

Le système prend tous ces mots-clés du monde du cinéma et du monde de la musique et les regroupe dans un dictionnaire commun.

• L'analogie : C'est comme si le système comprenait que "un film avec un rythme rapide" et "une chanson avec un tempo rapide" sont en fait la même chose dans l'esprit humain. Il crée un pont entre les deux mondes.
• Il classe ces idées en concepts (ex: "Énergie live", "Clarté vocale", "Nostalgie").

3. Le Pont Transparent (La Transfert Linéaire)

C'est ici que la magie opère. Le système ne fait pas de magie noire. Il utilise une règle simple et droite pour transférer vos goûts.

• L'analogie : Imaginez un pont en bois très simple entre deux îles. Si vous aimez les "films d'action rapide" sur l'île A, le pont vous dit simplement : "Ah, sur l'île B (la musique), cela correspond aux 'chansons au rythme rapide'".
• Contrairement aux autres systèmes qui utilisent des ponts invisibles et complexes, ici, on peut voir exactement comment un goût se transforme en un autre.

4. Le Calcul "Comme un Menu" (La Prédiction Additive)

Quand EviSnap vous recommande un album, il ne vous donne pas juste un score (ex: 4/5). Il vous donne le menu détaillé de ce score.

• L'analogie : C'est comme une facture de restaurant.
  • +0,45 point parce que vous aimez la "maîtrise instrumentale" (et l'album en a).
  • +0,32 point parce que vous aimez le "bon rapport qualité-prix" (et l'album est pas cher).
  • -0,10 point parce que vous détestez les "paroles trop lentes" (et l'album en a un peu).
• La preuve : Pour chaque point ajouté ou retiré, le système vous montre la phrase exacte de votre critique de film et la phrase exacte de la critique de l'album qui ont créé ce lien.

---

🧪 Pourquoi c'est génial ? (La Vérification)

La grande force d'EviSnap, c'est qu'on peut le tester.

• Le test de la suppression : Si le système dit que vous aimez cet album à cause de la "nostalgie", on peut lui dire : "Enlève la nostalgie de ton calcul". Si le score chute drastiquement, c'est que le système a raison. S'il ne change pas, c'est que le système mentait.
• Le résultat : EviSnap a prouvé qu'il est non seulement très précis (il recommande mieux que les autres), mais surtout qu'il dit vraiment ce qu'il pense. Il ne fait pas de "blabla" après coup pour justifier une décision prise au hasard.

🏁 En Résumé

EviSnap, c'est comme avoir un concierge de musée très intelligent :

1. Il connaît vos goûts passés (les films).
2. Il vous montre un nouvel objet (la musique).
3. Il vous dit : "Je vous recommande ceci parce que vous avez aimé ceci dans le passé, et voici la preuve exacte dans vos anciennes critiques qui le confirme."

Il remplace l'opacité des algorithmes modernes par une transparence totale, où chaque recommandation est étayée par des preuves textuelles que vous pouvez lire et vérifier vous-même.

Résumé technique

1. Problématique

Le problème central abordé est la recommandation trans-domaine pour les utilisateurs en démarrage à froid (Cold-Start Cross-Domain Recommendation - CDR).

• Contexte : De nombreux utilisateurs ont un historique d'interactions dans un domaine source (ex: Films) mais aucun dans un domaine cible (ex: Musique ou Livres). Le système doit prédire leurs préférences dans le domaine cible uniquement à partir de leur comportement dans le domaine source.
• Limites des approches existantes :
  • Les méthodes basées sur le mappage d'embeddings latents sont performantes mais opaques (boîte noire) : elles ne peuvent pas expliquer pourquoi un article est recommandé.
  • Les modèles basés sur les textes de critiques (reviews) améliorent souvent la précision, mais leurs explications sont généralement post-hoc (basées sur l'attention ou des justifications générées par LLM) et ne reflètent pas fidèlement la fonction de scoring réelle.
  • Les justifications générées par les LLM sont coûteuses et difficiles à auditer.
• Objectif : Créer un système CDR qui soit à la fois performant et dont les explications soient fidèles (faithful), c'est-à-dire que l'explication soit intrinsèquement liée au mécanisme de décision du modèle, avec des preuves textuelles vérifiables.

2. Méthodologie : Le Framework EviSnap

EviSnap est un framework léger qui opère dans un espace de concepts fondé sur des preuves. Il se compose de trois modules principaux :

A. Construction de Cartes de Facettes par LLM (Hors ligne)

Avant l'entraînement, le texte brut des critiques est prétraité par un LLM (une seule fois, hors ligne) pour créer des "Facet Cards" (cartes de facettes) :

• Pour chaque utilisateur (domaine source) et chaque article (domaine cible), le LLM extrait des phrases de facettes courtes et agnostiques du domaine (ex: "rythme rapide", "énergie live").
• Chaque facette est associée à des phrases de soutien littérales (verbatim) extraites des critiques originales.
• Pour les utilisateurs, une polarité est attribuée (+1 pour "aimé", -1 pour "détesté"). Pour les articles, la polarité est 0 (propriété intrinsèque).
• Cela permet de réduire le bruit des longs textes tout en conservant la traçabilité vers la phrase source.

B. Espace de Concepts Commun et Partagé

Le système construit un espace de caractéristiques interprétable :

1. Banque de Concepts : Les phrases de facettes sont encodées via un encodeur de phrases figé, puis regroupées par clustering (k-means) pour former une banque de concepts partagée entre les deux domaines.
2. Activations Utilisateur/Article :
   • Pour un utilisateur, on calcule deux vecteurs séparés : $U^+$ (preuves positives) et $U^-$ (preuves négatives). Le vecteur utilisateur final est la différence : $a_S(u) = U^+ - U^-$.
   • Pour un article cible, on calcule un vecteur de présence de concepts $b(i)$ basé sur les preuves textuelles.
3. Mappage Linéaire Trans-Domaine : Un simple vecteur de mappage linéaire $M$ transfère les concepts de l'utilisateur du domaine source vers l'espace du domaine cible ($a_T(u) = M \cdot a_S(u)$). Ce mappage est régularisé pour rester proche de l'identité, assurant l'interprétabilité.

C. Prédiction de Note et Explication par Construction

La prédiction finale utilise une tête de scoring linéaire additive :

• Le score est calculé comme une somme de termes d'interaction (utilisateur $\times$ article) et de termes marginaux (utilisateur seul, article seul).
• Fidélité par construction : Puisque le score est une somme linéaire de contributions par concept, la décomposition du score est exacte. L'explication n'est pas un module séparé, mais la somme des termes mathématiques du modèle.
• Pour chaque concept, le système cite la phrase de preuve la plus alignée (verbatim) provenant des critiques de l'utilisateur et de l'article.

3. Contributions Clés

1. Représentation de concepts fondée sur des preuves : Introduction d'un pipeline de "facet cards" avec preuves littérales et d'une banque de concepts partagée, permettant des activations traçables au niveau de la phrase.
2. Explications fidèles par construction : Utilisation d'un mappage linéaire et d'un score additif qui garantit que les contributions rapportées reconstruisent exactement la prédiction. Cela permet des tests de "what-if" (contre-factuels) transparents.
3. Performance et Diagnostic de Fidélité : Démonstration que ce modèle léger surpasse les méthodes de mappage complexes et les modèles basés sur le texte, tout en passant des tests de fidélité (tests de suppression et de suffisance).

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données Amazon Reviews (2014) avec six transferts directs entre les domaines Livres, Films et Musique.

• Performance (Précision) :
  • EviSnap a obtenu les meilleures performances (MAE et RMSE) sur 5 des 6 directions de transfert.
  • Il surpasse les bases de référence (baselines) les plus fortes, notamment les modèles de mappage (EMCDR, PTUPCDR, MACDR) et les modèles textuels (DeepCoNN+).
  • Par exemple, sur le transfert Films $\to$ Musique, EviSnap réduit l'erreur absolue moyenne (MAE) de 0,8413 à 0,7768.
• Fidélité des Explications :
  • Des tests de suppression (deletion) montrent que retirer les concepts les plus importants fait chuter le score bien plus que la suppression aléatoire.
  • Des tests de suffisance montrent qu'un petit nombre de concepts de haut rang suffit à reconstruire la majeure partie du score, prouvant que le modèle se base sur les concepts mis en avant pour prendre sa décision.
• Analyse Qualitative : Les exemples montrent que le système peut relier des préférences utilisateur (ex: "compétence musicale") à des propriétés d'articles (ex: "performances moins connues") avec des citations exactes.

5. Signification et Impact

• Interprétabilité sans compromis : EviSnap démontre qu'il n'est pas nécessaire d'utiliser des modèles complexes (boîtes noires) ou des LLM en temps réel pour obtenir des recommandations précises et explicables. La structure linéaire additive suffit.
• Auditabilité : Le système permet un audit complet au niveau de la phrase. Un humain peut vérifier exactement quelle phrase de critique a conduit à une recommandation spécifique.
• Robustesse au démarrage à froid : En s'appuyant sur des concepts sémantiques partagés plutôt que sur des identifiants d'items ou des embeddings d'utilisateurs spécifiques, le modèle gère efficacement les nouveaux utilisateurs sans historique dans le domaine cible.
• Limites : La méthode dépend de la qualité du prétraitement par LLM (risque de biais inhérents au LLM) et nécessite une quantité suffisante de texte de critique. Elle peut être moins performante dans des scénarios très pauvres en texte.

En conclusion, EviSnap propose une approche élégante qui réconcilie performance prédictive et transparence explicative dans le domaine de la recommandation trans-domaine, en ancrant les décisions du modèle dans des preuves textuelles vérifiables.