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

Each language version is independently generated for its own context, not a direct translation.

Immagina di essere un assaggiatore di cibo che si sposta da un ristorante italiano a uno giapponese. Nel ristorante italiano (il tuo "dominio di origine"), sai esattamente cosa ti piace: adoro la pasta al dente e odio il formaggio troppo forte. Ma nel ristorante giapponese (il "dominio target"), non hai mai mangiato nulla. Come fa il cameriere a consigliarti un piatto?

I sistemi di raccomandazione tradizionali sono come camerieri che guardano i tuoi gusti, li trasformano in un codice segreto incomprensibile e ti dicono: "Credo che ti piacerà questo sushi". Funziona, ma non sai perché. È una scatola nera.

EviSnap è il nuovo cameriere intelligente che non solo ti consiglia il piatto, ma ti spiega esattamente perché pensava che ti sarebbe piaciuto, citando le tue stesse parole.

Ecco come funziona, passo dopo passo, con un linguaggio semplice:

1. La "Scheda dei Gusti" (Le Facet Cards)

Prima ancora che tu arrivi al ristorante giapponese, EviSnap prende tutte le recensioni che hai scritto sui ristoranti italiani e le fa leggere a un'intelligenza artificiale (un LLM).
Invece di lasciarti con un muro di testo, l'AI crea delle piccole schede riassuntive (le "Facet Cards").

Esempio: Invece di dire "Ho scritto 500 parole sulla pasta", la scheda dice: "Ti piace il ritmo veloce (+1)" e "Odii le trame lente (-1)".
La magia: Ogni scheda cita esattamente la frase che hai scritto tu: "La trama era troppo lenta, mi sono addormentato". Niente invenzioni, solo le tue parole.

2. Il "Vocabolario Comune" (Il Concept Bank)

Ora, il sistema deve capire che il concetto di "ritmo veloce" nella pasta (dominio italiano) è simile al concetto di "ritmo veloce" nella musica (dominio giapponese).
EviSnap crea un vocabolario universale. Prende tutte le schede di tutti gli utenti e le raggruppa in categorie comuni (come "energia dal vivo", "chiarezza vocale", "valore per il prezzo").
È come se il cameriere avesse un dizionario che traduce i tuoi gusti italiani in termini giapponesi, ma usando parole che entrambi capiscono.

3. Il "Ponte Lineare" (Il Trasferimento)

Quando arrivi al ristorante giapponese, il sistema non usa magie oscure. Usa un ponte semplice e trasparente.
Prende le tue schede di gusto (es. "Mi piace l'energia dal vivo") e le collega direttamente alle caratteristiche degli album musicali giapponesi.

Se ti piace l'energia dal vivo nei film, il sistema pensa: "Ah, questo album ha anche un'energia dal vivo!".
Il calcolo è semplice: Punteggio = Somma dei punti di ogni caratteristica. Non ci sono formule segrete.

4. La Spiegazione Perfetta (L'Analogia del Conto in Banca)

Questa è la parte più bella. Quando il sistema ti dice: "Ti consiglio questo album con un voto di 4 stelle", può dirti esattamente come ha fatto quella somma:

+0.45 stelle perché l'album ha "musicalità profonda" (e tu hai detto che ami i musicisti tecnici).
+0.32 stelle perché è un "ottimo affare" (e tu hai scritto che ami il valore).
-0.10 stelle perché è un po' nostalgico (e tu non ami troppo il passato).

Se togli una di queste ragioni, il voto cambia esattamente di quella quantità. È come guardare il conto in banca: sai esattamente da dove arriva ogni euro. Non ci sono "spese nascoste" o spiegazioni inventate dopo il fatto.

Perché è importante?

I sistemi attuali spesso dicono: "Ti consiglio questo perché l'AI ha notato un pattern". EviSnap dice: "Ti consiglio questo perché hai scritto che ami X, e questo prodotto ha X, e ecco la frase esatta in cui lo hai detto".

In sintesi:
EviSnap è come un amico che ti fa un regalo. Non ti dice solo "Spero ti piaccia", ma ti dice: "So che ami i libri con copertine blu e storie di avventura, quindi ho preso questo libro che ha una copertina blu e una storia di avventura. Ecco la pagina dove ho letto che ti piacevano queste cose". È onesto, trasparente e basato sulle prove che tu hai fornito.

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema: Raccomandazione Cross-Domain a Freddo (Cold-Start CDR)

I sistemi di raccomandazione affrontano frequentemente il problema degli utenti "a freddo" (cold-start): utenti che hanno una cronologia di interazioni in un dominio sorgente (es. Film) ma nessuna nel dominio target (es. Musica o Libri).
La Raccomandazione Cross-Domain (CDR) mira a trasferire le preferenze dall'ambito sorgente a quello target. Tuttavia, le soluzioni esistenti presentano gravi limiti:

Modelli basati su mapping: Mappano embedding latenti opachi; è difficile capire quali preferenze sono state trasferite o perché un elemento è stato raccomandato.
Modelli basati su recensioni (Review-aware): Spesso migliorano l'accuratezza ma forniscono spiegazioni post-hoc (es. meccanismi di attenzione) che non riflettono necessariamente la funzione di scoring reale.
Modelli basati su LLM: Possono generare giustificazioni fluide, ma sono costosi in fase di inferenza e le loro spiegazioni non sono garantite come "fedeli" (faithful) o verificabili.

L'obiettivo è creare un sistema che sia interpretabile per costruzione, dove le spiegazioni siano direttamente legate al processo decisionale del modello e basate su evidenze verificabili.

2. Metodologia: Il Framework EviSnap

EviSnap è un framework leggero che opera in uno spazio di concetti basato su evidenze. La sua architettura si divide in tre fasi principali:

A. Costruzione di "Facet Card" con Evidenze (Offline)

Prima dell'addestramento, le recensioni grezze vengono elaborate da un LLM (in modalità offline, non durante l'inferenza) per creare "facet card" (schede di aspetti):

Input: Un insieme di recensioni per un utente o un elemento.
Output: Un oggetto JSON contenente frasi brevi e dominio-agnostico (facets) associate a frasi di supporto verbatim (copiate esattamente dalle recensioni originali).
Polarità: Per gli utenti, le facets hanno polarità positiva (+1, piace) o negativa (-1, non piace). Per gli elementi, la polarità è 0 (descrizione delle proprietà).
Vantaggio: Questo processo riduce il rumore delle recensioni lunghe mantenendo la tracciabilità: ogni attivazione concettuale può essere collegata a una frase specifica.

B. Spazio dei Concetti e Pooling delle Evidenze

Banca dei Concetti Condivisa: Le frasi delle facets vengono codificate in vettori e clusterizzate (K-means) per creare una banca di concetti condivisa e dominio-agnostica (es. "energia dal vivo", "chiarezza vocale").
Attivazioni degli Utenti: Per ogni utente, si calcolano due vettori separati: uno per le evidenze positive ( $U^+$ ) e uno per quelle negative ( $U^-$ ). Il vettore finale è la differenza: $a_S(u) = U^+ - U^-$ .
Attivazioni degli Elementi: Per gli elementi target, si crea un vettore non negativo $b(i)$ basato sulla presenza delle caratteristiche.
Pooling: Le attivazioni sono calcolate tramite un pooling "log-sum-exp" pesato, che premia le concetti supportati da più recensioni ma evidenzia la frase di supporto più forte.

C. Mappatura Lineare e Scoring Additivo

Trasferimento: Le preferenze dell'utente dal dominio sorgente vengono trasferite al dominio target tramite una mappa lineare singola ( $M$ ): $a_T(u) = M \cdot a_S(u)$ . La matrice $M$ è regolarizzata verso l'identità per garantire stabilità e interpretabilità.
Predizione del Punteggio: Il punteggio finale è calcolato da un testa lineare additiva. Il punteggio è la somma esatta dei contributi di ciascun concetto:
$\hat{r}_{ui} = \mu_T + \sum_{k} \text{contrib}_k(u, i) + b_i$
dove $\text{contrib}_k$ include termini di interazione (preferenza utente $\times$ proprietà elemento) e termini marginali.
Spiegazione Fedele: Poiché il modello è additivo, la spiegazione è il modello stesso. È possibile decomporre il punteggio esatto nei contributi di ogni concetto e citare la frase di supporto migliore per quel concetto.

3. Contributi Chiave

Rappresentazione di Concetti Basata su Evidenze: Introduzione di una pipeline offline che trasforma le recensioni in "facet card" con evidenze verbatim, inducendo una banca di concetti condivisa tra domini.
Trasparenza e Fedeltà per Costruzione: L'uso di una mappatura lineare e di uno scoring additivo garantisce che le spiegazioni (contributi per concetto) ricostruiscano esattamente il punteggio previsto, permettendo test di "what-if" (controfattuali) prevedibili.
Performance e Diagnostica: Sperimentazione su dataset Amazon (Libri, Film, Musica) che dimostra come EviSnap superi i baselines, mantenendo al contempo la fedeltà delle spiegazioni.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su sei scenari di trasferimento diretti tra i domini Books, Movies e Music del dataset Amazon Reviews 2014, utilizzando una divisione "cold-start" a livello di utente (nessuna sovrapposizione tra utenti di training e test).

Accuratezza: EviSnap ha ottenuto le prestazioni migliori (MAE e RMSE) in 5 su 6 scenari di trasferimento.
- Ha superato i baselines basati su mapping (es. MACDR, EMCDR) e basati su testo (es. DeepCoNN+).
- Esempio: Nel trasferimento Movies → Music, ha ridotto l'errore MAE da 0.8413 (DeepCoNN+) a 0.7768.
Diagnostica di Fedeltà:
- Test di Cancellazione (Deletion): Rimuovere i concetti top contributivi degrada il punteggio molto più della rimozione casuale, confermando che il modello si basa su quei concetti.
- Test di Sufficienza: Un piccolo sottoinsieme dei concetti principali è sufficiente a ricostruire quasi interamente il punteggio originale.
Analisi Qualitativa: Le spiegazioni forniscono frasi verbatim sia dall'utente (sorgente) che dall'elemento (target) che giustificano il trasferimento (es. "L'utente apprezza la tecnica musicale" + "L'album contiene performance tecniche" = Raccomandazione positiva).

5. Significato e Impatto

EviSnap rappresenta un passo avanti significativo verso la spiegabilità affidabile (faithful explainability) nei sistemi di raccomandazione.

Superamento del "Black Box": A differenza dei modelli che generano giustificazioni separate o opache, EviSnap rende la spiegazione intrinseca alla predizione.
Auditabilità: Ogni raccomandazione può essere verificata a livello di frase, permettendo agli sviluppatori e agli utenti di capire esattamente perché un elemento è stato suggerito.
Efficienza: Essendo un modello lineare con preprocessing offline, è computazionalmente efficiente rispetto all'uso continuo di LLM durante l'inferenza.
Limitazioni: Il sistema dipende dalla qualità dell'estrazione delle facets tramite LLM (potenziale rumore/bias) e richiede un volume sufficiente di recensioni testuali; le prestazioni potrebbero calare in contesti con dati testuali scarsi.

In sintesi, EviSnap dimostra che è possibile ottenere alte prestazioni nella raccomandazione cross-domain a freddo senza sacrificare la trasparenza, fornendo spiegazioni che sono matematicamente equivalenti al processo decisionale del modello.