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

O artigo apresenta o EviSnap, um framework leve de recomendação cruzada para cenários de início frio que gera explicações fiáveis e baseadas em evidências, utilizando cartões de facetas derivados de resenhas e um banco de conceitos compartilhado para mapear preferências de usuários entre domínios com decomposição exata de pontuações.

O essencial

Imagine que você é um detetive de gostos. Você conhece muito bem o que um cliente gosta de assistir em filmes (o "Domínio de Origem"), mas essa pessoa acabou de chegar e quer comprar livros ou ouvir música (o "Domínio de Alvo"), e você não tem nenhum histórico dela nesses novos lugares. Como fazer uma recomendação perfeita sem parecer um palpite cego?

Aqui entra o EviSnap, a solução proposta neste artigo. Em vez de usar "caixas-pretas" matemáticas que ninguém entende, o EviSnap funciona como um arquivista inteligente e honesto.

Vamos desmontar como ele funciona usando analogias do dia a dia:

1. O Problema: A "Caixa-Preta" vs. A Verdade

Muitos sistemas de recomendação atuais são como um mágico que tira um coelho da cartola. Eles dizem: "Você vai gostar deste livro!", mas não conseguem explicar por que de forma lógica. Eles usam códigos secretos (vetores) que não fazem sentido para humanos. Outros usam Inteligência Artificial (LLMs) para inventar uma justificativa bonita depois que a decisão já foi tomada, mas essa justificativa pode ser mentira (o sistema pode ter decidido por um motivo e inventado outro para parecer convincente).

O EviSnap quer ser transparente desde o início. A explicação não é um acessório; ela é a própria estrutura do sistema.

2. A Solução: O "Arquivo de Facetas" (O Arquivista)

O primeiro passo do EviSnap é ler as milhares de resenhas que o usuário já escreveu sobre filmes e transformá-las em Cartões de Facetas.

• A Analogia: Imagine que o usuário escreveu 50 resenhas de filmes. Em vez de ler tudo de novo, o sistema (usando uma IA offline, apenas uma vez) resume tudo em cartões pequenos.
  • Cartão 1: "Ação Rápida" (com um recorte da frase exata do usuário: "Adoro quando o filme não perde tempo!").
  • Cartão 2: "Roteiro Lento" (com o recorte: "Achei que demorou muito para começar").
• O Pulo do Gato: Cada cartão tem uma prova real (uma frase copiada exatamente do texto original). Nada é inventado. Isso é o "evidência-citada".

3. A Ponte: O "Banco de Conceitos Compartilhado"

Agora, o sistema precisa conectar o mundo dos filmes com o mundo da música. Como "Ação Rápida" em um filme se relaciona com música?

O EviSnap cria um Banco de Conceitos Universal. Ele pega os cartões de filmes e os de música e os agrupa por semelhança.

• "Ação Rápida" (Filme) pode se conectar com "Batida Energética" (Música).
• "Roteiro Lento" (Filme) pode se conectar com "Melodia Relaxante" (Música).

É como se o sistema tivesse um tradutor que diz: "Ah, você gosta de filmes de ação rápida? Então, na música, você provavelmente vai gostar de ritmos acelerados."

4. A Decisão: A "Conta de Luz" Transparente

Quando o sistema vai recomendar um álbum de música para o usuário, ele não faz um cálculo mágico. Ele faz uma soma simples, como uma conta de luz ou uma nota de supermercado.

• O usuário gosta de "Batida Energética"? Soma +0.5 pontos.
• O álbum tem "Batida Energética"? Confirmação.
• O usuário odeia "Letras Confusas"? Subtrai -0.3 pontos.
• O álbum tem "Letras Confusas"? Confirmação.

O resultado final é a soma exata dessas partes.
A Mágica da Explicação: Como a nota final é apenas a soma das partes, o sistema pode dizer: "Recomendamos este álbum porque ele tem 'Batida Energética' (que você ama) e 'Custo-Benefício' (que você valoriza), e isso explica exatamente 100% da nossa nota." Se você tirar um desses itens, a nota cai exatamente na medida esperada.

5. Por que isso é importante? (O Teste de Fidelidade)

Os autores testaram isso de uma forma criativa: eles tentaram "apagar" mentalmente os conceitos que o sistema usou.

• Se o sistema diz "Recomendo porque é nostálgico", e você remove o conceito "nostalgia", a recomendação deve cair drasticamente.
• No EviSnap, isso acontece de verdade. Isso prova que a explicação não é apenas uma história contada depois; a explicação é a causa da decisão.

Resumo em uma frase

O EviSnap é como um vendedor de livros que, em vez de apenas dizer "compre este livro", pega suas anotações antigas, cria um mapa de conexões lógicas baseado em frases reais que você escreveu, e mostra uma conta detalhada de exatamente por que aquele livro combina com você, provando que a recomendação é justa e baseada em fatos.

Os Resultados:
Nos testes com dados reais da Amazon (livros, filmes e música), o EviSnap não só foi mais preciso que os sistemas modernos de "caixa-preta", como também passou nos testes de honestidade, mostrando que suas explicações são verdadeiras e não apenas "enfeites".

Resumo técnico

Resumo Técnico: EviSnap

1. Problema Definido

O artigo aborda o desafio da Recomendação Cruzada de Domínio (CDR) para usuários em "Cold-Start". O cenário ocorre quando um sistema precisa prever as preferências de um usuário em um domínio alvo (ex: Música) baseando-se apenas no seu histórico de comportamento em um domínio fonte (ex: Filmes), sem qualquer histórico no domínio alvo.

Os sistemas existentes enfrentam duas limitações principais:

1. Opacidade: Métodos baseados em mapeamento de embeddings latentes transferem preferências, mas são "caixas-pretas", não explicando quais preferências foram transferidas ou por que um item foi recomendado.
2. Falta de Fidelidade: Modelos que usam texto de avaliações (reviews) ou geram justificativas com LLMs frequentemente produzem explicações post-hoc (após a decisão) que não refletem a função de pontuação real do modelo, tornando-as difíceis de auditar ou verificar.

O objetivo é criar um modelo que seja não apenas preciso, mas que forneça explicações fiéis (faithful), baseadas em evidências textuais verificáveis e integradas diretamente à lógica de previsão.

2. Metodologia: O Framework EviSnap

O EviSnap é um framework leve que opera em um espaço de conceitos fundamentado em evidências. A arquitetura segue três etapas principais:

A. Construção de Cartões de Facetas com Evidência (Offline)

• Utiliza um LLM (Large Language Model) apenas uma vez, em fase offline, para processar as avaliações (reviews).
• O LLM extrai cartões de facetas: frases curtas e agnósticas ao domínio (ex: "ritmo rápido", "energia ao vivo") que representam preferências do usuário ou propriedades do item.
• Crucial: Cada faceta é acompanhada por sentenças de suporte literais (verbatim) extraídas das avaliações originais.
• O LLM atribui polaridade: +1 (gostou) ou -1 (não gostou) para usuários, e 0 (apenas propriedade) para itens.

B. Espaço de Conceitos Fundamentado em Evidências

• Banco de Conceitos Compartilhado: As frases das facetas de ambos os domínios são codificadas e agrupadas via clustering (k-means) para formar um banco de conceitos compartilhado e agnóstico ao domínio.
• Ativação de Conceitos:
  • Para usuários: Calcula-se vetores separados para evidências positivas e negativas, criando um vetor de preferência assinado ($a_S(u)$).
  • Para itens: Calcula-se um vetor de presença de conceitos não negativo ($b(i)$).
  • A ativação é ponderada pela força da evidência (número de menções) usando um pooling log-sum-exp suavizado, permitindo que a explicação aponte para a sentença de suporte mais forte.

C. Mapeamento Linear e Pontuação Aditiva

• Transferência: Um único mapa linear ($M$) transfere o vetor de conceitos do usuário do domínio fonte para o espaço do domínio alvo. O mapa é regularizado para permanecer próximo à identidade, garantindo interpretabilidade.
• Predição de Avaliação: Um cabeçalho de pontuação linear calcula a nota final como uma soma aditiva de contribuições por conceito.
  • A pontuação é decomposta em: interação usuário-item (preferência alinhada à propriedade), tendência marginal do usuário e tendência marginal do item.
• Explicabilidade por Construção: Como a pontuação é uma soma linear, a explicação é o próprio modelo. É possível decompor exatamente quanto cada conceito contribuiu para a nota final, citando a sentença de evidência correspondente.

3. Principais Contribuições

1. Representação de Conceitos com Evidência Citada: Introduz um pipeline que gera representações de conceitos compartilhadas entre domínios, onde cada ativação pode ser rastreada até uma frase literal da avaliação original.
2. Explicações Fiéis por Construção: Ao utilizar mapeamento linear e pontuação aditiva, as contribuições reportadas reconstroem a previsão exata. Não há módulo de explicação separado que possa divergir da lógica de decisão.
3. Diagnósticos de Fidelidade: O modelo passa em testes rigorosos de deletion (remoção de conceitos chave altera drasticamente a pontuação) e sufficiency (um pequeno conjunto de conceitos explica a maior parte da pontuação), provando que as explicações refletem o mecanismo interno do modelo.

4. Resultados Experimentais

Os experimentos foram realizados no conjunto de dados Amazon Reviews (2014), cobrindo seis transferências diretas entre os domínios Livros, Filmes e Música.

• Desempenho Preditivo: O EviSnap superou consistentemente as baselines de ponta (como EMCDR, PTUPCDR, MACDR e modelos baseados em texto como DeepCoNN+).
  • Em média, reduziu o erro absoluto médio (MAE) em 3,3% em relação ao melhor modelo baseado em texto e em 6,6% em relação ao melhor modelo baseado em mapeamento.
  • Obteve o melhor desempenho em 5 das 6 direções de transferência testadas.
• Fidelidade da Explicação:
  • Testes de deletion mostraram que remover os conceitos com maior contribuição impacta a previsão muito mais do que a remoção aleatória.
  • Testes de sufficiency demonstraram que um pequeno subconjunto de conceitos explica a maior parte da pontuação final, indicando que o modelo não depende de ruído distribuído.
• Qualitativo: O sistema consegue gerar explicações auditáveis, mostrando, por exemplo, que um usuário de filmes que gosta de "músicos habilidosos" foi transferido para recomendar um álbum de música com base em reviews que citam "performances menos conhecidas" e "habilidade técnica".

5. Significado e Conclusão

O EviSnap representa um avanço significativo na interseção entre Recomendação Cruzada e IA Explicável (XAI).

• Auditoria: Ao ancorar as recomendações em evidências textuais literais, o sistema permite que humanos auditem por que uma recomendação foi feita, verificando se a lógica do modelo corresponde à intenção do usuário.
• Edição Contrafactual: A estrutura linear permite simulações transparentes do tipo "e se este conceito fosse mais forte?", com mudanças previsíveis na pontuação.
• Eficiência: O uso do LLM é restrito à fase offline, tornando o processo de treinamento e inferência leve e escalável.

Limitações: O método depende da existência de texto de revisão suficiente para usuários e itens. Em cenários com poucos dados textuais, a qualidade das facetas e explicações pode degradar. Além disso, a qualidade dos conceitos depende do encoder de sentenças e da escolha do número de clusters ($K$).

Em suma, o EviSnap demonstra que é possível construir sistemas de recomendação de alta precisão que não sacrificam a transparência, oferecendo explicações que são matematicamente equivalentes às decisões do modelo.