xLightGCN：图推荐解释与忠实度保证

基于摘要分析。本文研究在线社交网络推荐系统的决策可解释性，提出基于 LightGCN 类架构的图解释方法，旨在为推荐决策生成可解释说明，并为解释保真度提供理论保证。研究对象是用户—物品推荐，而非 EEG 解码或 BCI。 方法层面，作者将其方案描述为一种精确的、基于图的解释方法，并将解释性视为面向用户、具有风险敏感性的 AI 系统建立可信度与验证有效性的重要支撑。标题强调“最具影响力同伴”，但摘要未说明同伴的具体定义、影响力计算方式、解释生成流程，以及解释是否依赖模型重训练，因此不能据此补写算法细节。 作者主张，该方法能够提供可解释的说明，以及具有理论保证的解释保真度度量。这里的理论主张不等同于已经验证推荐准确性提升、用户信任改善或审计效果；具体保证所需的模型假设、适用范围和计算成本尚未验证。摘要未提供数据集、评价指标、对照基线或定量结果，实验协议、消融及统计信息尚未验证。 本文可作为图推荐模型解释机制的阅读线索，但现有材料不足以建立其与 EEG/BCI 的具体方法对应关系，也不能将原领域的理论主张视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。