Spectral Biclustering-Driven Scalability for Post-Hoc Explainability in Recommender Systems
谱双聚类驱动的可扩展后验推荐系统解释方法
🧭 推荐解释性 · 块删除诊断
CUNEF Universidad, Madrid, Spain · Universidad Politécnica de Madrid, Madrid, Spain
提出用谱双聚类将用户-物品分块，以块删除诊断替代逐个观察删除，在保持后验解释能力的同时大幅降低重训练成本
📌 工作参考价值（3 点）
- 块删除诊断作为线下模型探查工具：在电商推荐场景中，可以用谱双聚类将用户分群、商品归类，然后对每个交互块执行删除并重训练，以发现模型是否过度依赖某些“用户×商品”局部模式（如刷单集中、季节性爆款），提前识别脆弱点。
- 可解释性报告生成：对于运营或业务方，可以用块级解释代替个体解释，例如：“30-40岁女性×母婴品类”这个块对高排名推荐有支撑作用，移除后Top-10命中率下降15%，即能说明该群体对母婴推荐信号的依赖，辅助制定品类策略。
- 计算成本固定的后验分析管道：该方法将重训练次数从O(N)降至O(k²)（k为块数），可以固定分析预算。实际落地时，可根据预算选择块数，实现可调的分辨率-效率权衡，适合百万级用户-物品矩阵的周期性诊断。