@inproceedings{Kabongo-Satouf-Guigue:CORIA-TALN-2026:2026,
    author = "Kabongo, Ben and Satouf, Arthur and Guigue, Vincent",
    title = "Classer, Ne Pas G\'en\'erer : Classement d'\'Enonc\'es pour la Recommendation Explicable",
    booktitle = "Actes de CORIA-TALN 2026. Actes de la 21e Conf\'erence en Recherche d'Information et Applications.  Volume 1 : articles scientifiques originaux",
    month = "6",
    year = "2026",
    address = "Nantes, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "2-18",
    note = "",
    abstract = "Les explications textuelles g\'en\'er\'ees par des LLMs sont de plus en plus utilis\'ees pour justifier les recommandations, mais leur \'evaluation reste un d\'efi majeur. Nous plaidons pour un changement d{\textquoteright}objectif : classer, ne pas g\'en\'erer. Nous formulons la recommandation explicable comme un probl\`eme de classement d'\'enonc\'es : le syst\`eme ordonne des \'enonc\'es explicatifs candidats extraits d{\textquoteright}avis et renvoie les top-$k$ comme explication. Cette approche r\'eduit les hallucinations, permet une analyse factuelle fine et favorise une \'evaluation standardis\'ee et reproductible via des m\'etriques de classement. Une \'evaluation fiable exige toutefois des \'enonc\'es explicatifs, atomiques et uniques, difficiles \`a obtenir \`a partir d{\textquoteright}avis bruit\'es. Nous relevons ce d\'efi avec (i) une extraction bas\'ee sur des LLMs, et (ii) un clustering s\'emantique scalable regroupant les paraphrases. Nous introduisons StaR, un benchmark de classement d{\textquoteright}\'enonc\'es, et \'evaluons baselines de popularit\'e et mod\`eles de l{\textquoteright}\'etat de l{\textquoteright}art, r\'ev\'elant des limites fortes de la personnalisation.",
    keywords = "Recommandation Explicable, Classement d'\'Enonc\'es, Grands Mod\`eles de Langue (LLMs), Extraction d'\'Enonc\'es, Clustering S\'emantique",
    url = "30019.pdf"
}