超越事实正确性：缓解可解释推荐中的偏好不一致解释

基于 LLM 的可解释推荐器能生成事实正确且流畅的解释，但仍可能用与用户历史偏好冲突的属性来为物品辩护。这类偏好不一致解释产生逻辑有效却缺乏说服力的推理，且大多逃过标准幻觉或忠实性指标的检测。我们形式化这一失败模式并提出 PURE，一个遵循先选择后生成范式的偏好感知推理框架。PURE 不只改进生成，还介入证据选择：在用户意图、具体性与多样性引导下，选出一组既有事实依据又与用户偏好结构对齐的紧凑多跳物品中心推理路径，抑制通用、弱个性化证据。所选证据随后经保留关系约束的结构感知提示注入 LLM 生成。为测量偏好不一致，我们提出特征级、以用户为中心的评估指标，揭示基于事实性的度量忽视的错位。在三个真实数据集上的实验表明，PURE 持续减少偏好不一致解释与事实幻觉，同时保持有竞争力的推荐准确率、解释质量和推理效率。这些结果强调，可信解释不仅需要事实正确，还需要与用户偏好对齐的理由。