EviSnap: Transparente, evidenzbasierte Erklärungen für Cross‑Domain‑Empfehlungen

Ein neues Framework namens EviSnap verspricht, die Herausforderung der Cold‑Start‑Cross‑Domain‑Empfehlung (CDR) zu lösen, indem es nicht nur Vorhersagen trifft, sondern diese auch nachvollziehbar erklärt. Im Gegensatz zu bisherigen Modellen, die oft undurchsichtige Embeddings nutzen oder nachträglich Erklärungen generieren, baut EviSnap seine Rationales von Grund auf auf.

Der Ansatz beginnt damit, dass das System aus unstrukturierten Nutzerbewertungen kompakte „Facet‑Cards“ erstellt. Jede Karte enthält einen prägnanten Aspekt der Bewertung und die wörtlich zitierten Sätze, die diesen Aspekt stützen. Anschließend werden die Facet‑Embeddings zu einem gemeinsamen, domänenunabhängigen Konzept‑Bank zusammengefasst, die die wichtigsten Themen über alle Kategorien hinweg erfasst.

Für jeden Nutzer werden dann Aktivierungen für positive, negative und vorhandene Konzepte berechnet, wobei die Evidenz aus den Zitaten gewichtet wird. Ein einzelner linearer Konzept‑zu‑Konzept‑Mapping‑Schritt überträgt die Nutzerpräferenzen zwischen den Domänen, während ein linearer Scoring‑Kopf die endgültigen Empfehlungen liefert. Diese Struktur ermöglicht eine exakte Zerlegung der Scores in einzelne Konzeptbeiträge und erlaubt sogar „Was-wäre-wenn“-Analysen, die direkt auf den zitierten Sätzen basieren.

In umfangreichen Tests auf dem Amazon‑Reviews‑Datensatz, der sechs Transfer‑Szenarien zwischen Büchern, Filmen und Musik umfasst, übertrifft EviSnap sowohl klassische Mapping‑Methoden als auch reine Text‑basierte Baselines. Darüber hinaus bestehen die Modelle die Prüfungen zur Erklärungs‑Treue, die auf das Entfernen von Informationen und die Notwendigkeit von Schlüsselbelegen abzielen. EviSnap stellt damit einen bedeutenden Schritt in Richtung nachvollziehbarer, evidenzbasierter Empfehlungssysteme dar.