본 논문은 설명 가능한 추천 시스템에서 추천 생성과 설명 생성을 분리하는 기존 방식의 한계를 지적하고, 구조적 인과 모델과 대규모 언어 모델을 통합하여 인과적 일관성을 확보하는 새로운 프레임워크인 CausalX를 제안합니다. CausalX는 인과 그래프 구성과 반실증적 조정을 통해 설명 요소를 추천 예측의 인과적 선행 요인으로 설정하며, 아이템 인기도의 혼란 효과를 해소하는 편향 제거 메커니즘을 통해 사용자의 진정한 선호도를 파악합니다. 실험 결과, CausalX는 기존 방식보다 추천 정확도, 설명의 타당성, 편향 완화 측면에서 우수한 성능을 보였습니다.
