@inproceedings{Kabongo-Guigue:CORIA-TALN-2026:2026,
    author = "Kabongo, Ben and Guigue, Vincent",
    title = "Sur la Coh\'erence Factuelle des Mod\`eles de Recommendation Explicables fond\'es sur le Texte",
    booktitle = "Actes de CORIA-TALN 2026. Actes de la 21e Conf\'erence en Recherche d'Information et Applications.  Volume 2 : articles d\'ej\`a publi\'es",
    month = "6",
    year = "2026",
    address = "Nantes, France",
    publisher = "Association pour le Traitement Automatique des Langues",
    pages = "98-109",
    note = "",
    abstract = "Les syst\`emes de recommandation explicables fond\'es sur le texte g\'en\`erent des justifications en langage naturel pour les recommandations d{\textquoteright}articles afin d{\textquoteright}am\'eliorer la confiance des utilisateurs et la transparence. Cependant, une question cruciale reste peu \'etudi\'ee : ces explications sont-elles factuellement coh\'erentes avec les preuves disponibles ? Nous introduisons un cadre d{\textquoteright}\'evaluation complet pour combler cette lacune. Nous proposons un pipeline bas\'e sur le prompting qui exploite des LLM pour extraire, \`a partir des avis utilisateurs, des \'enonc\'es explicatifs atomiques et construire un ensemble de v\'erit\'e factuellement fond\'e. En l{\textquoteright}appliquant \`a cinq cat\'egories d{\textquoteright}Amazon Reviews, nous cr\'eons des benchmarks enrichis permettant une \'evaluation fine de la qualit\'e des explications. Nous proposons aussi des m\'etriques d{\textquoteright}alignement au niveau des \'enonc\'es, combinant approches fond\'ees sur les LLM et le NLI. Malgr\'e des scores \'elev\'es de similarit\'e s\'emantique (BERTScore F1 : 0,81{\textendash}0,90), la factualit\'e reste faible (pr\'ecision LLM : 4,38 {\textbackslash}\\%{\textendash}32,88 {\textbackslash}\\%).",
    keywords = "Explainable Recommendation, Recommender Systems, Factual Consistency, Benchmarking and Evaluation Metrics, Large Language Models (LLMs), Natural Language Inference (NLI)",
    url = "40020.pdf"
}