FIRE: Faithful Interpretable Recommendation Explanations
针对推荐解释与模型推理脱节的问题，提出FIRE框架，结合SHAP特征归因与提示驱动生成，实现忠实、多样且用户对齐的解释，并提升解释质量。
2025-08-07 cs.IR
Retrieval-Augmented Recommendation Explanation Generation with Hierarchical Aggregation
提出REXHA方法，通过层次聚合的配置文件模块和高效检索模块，解决LLM推荐解释中的配置文件偏差和高检索开销问题，提升解释质量和检索效率。
2025-07-12 cs.IR
Topic-Centric Explanations for News Recommendation
本文提出一种主题感知的可解释新闻推荐模型，通过关联主题信息解释推荐理由，并引入一致性指标评估主题质量，在MIND数据集上优于多个基线系统且能生成可解释主题。
2023-10-06 cs.IR
GNNUERS: Fairness Explanation in GNNs for Recommendation via Counterfactual Reasoning
本文提出GNNUERS算法，通过反事实推理和二分图拓扑扰动最小化群体效用差异，系统解释GNN推荐模型中的用户不公平性。
2024-03-25 cs.IR
CIRR: Causal-Invariant Retrieval-Augmented Recommendation with Faithful Explanations under Distribution Shift
CIRR通过因果不变性学习和一致性约束，解决推荐系统在分布偏移下的性能下降问题，并提供更可信的解释。
2025-12-21 cs.IR
Demystifying Sequential Recommendations: Counterfactual Explanations via Genetic Algorithms
本文提出首个针对序列推荐系统的反事实解释方法，利用遗传算法生成最小交互变化以产生不同推荐，并在多数据集上验证了高保真度，提升了系统透明度和用户信任。
2025-08-05 cs.IR
Sequence-aware Large Language Models for Explainable Recommendation
University of Science and Technology of China（中国科学技术大学）
本文提出SELLER框架，结合用户行为与物品语义，通过混合专家适配器对齐LLM信号，统一评估框架提升推荐解释质量与实际效用。
2026-03-25 cs.IR
Comparative Explanations via Counterfactual Reasoning in Recommendations
Huawei Technologies Co., Ltd.（华为技术有限公司）
针对现有反事实推理方法在推荐解释中产生事实不准确的问题，提出CoCountER方法，利用软交换操作生成反事实数据，为任意比较物品对提供推荐解释，并经实验验证有效。
2025-10-13 cs.AI cs.IR
Enhancing Recommendation Explanations through User-Centric Refinement
针对传统推荐解释因数据和模型限制无法满足用户对事实性、个性化等需求的问题，本文提出基于大语言模型的多智能体协作优化框架，通过“先规划后优化”模式和分层反思机制提升解释质量，实验验证其有效性。
2025-02-17 cs.IR
Faithfully Explainable Recommendation via Neural Logic Reasoning
知识图谱（KG）对于赋予现代推荐系统生成可追踪的推理路径以解释推荐过程的能力变得越来越重要。然而，以往的研究很少考虑的忠实性派生的解释，以证明决策过程。据我们所知，这是第一个工作，模型和评价忠实解释推荐KG推理的框架下。具体来说，我们提出了神经逻辑推理的解释性推荐（LOGER），通过绘制可解释的逻辑规则，以指导解释生成的路径推理过程。我们在电子商务领域的三个大规模数据集上进行了实验，证明了我们的方法在提供高质量推荐以及确定所得到的解释的忠实性方面的有效性。
2021-04-16 cs.IR
An Effective Way for Cross-Market Recommendation with Hybrid Pre-Ranking and Ranking Models
WSDM CUP 2022的跨市场推荐任务是通过利用来自类似高资源来源市场的数据，寻找解决方案，以改善资源稀缺目标市场的个人推荐系统。最后，我们的团队OPDAI以NDCG@10分0.6773的成绩获得了第一名。我们的解决方案，这一任务将在本文中详细介绍。为了更好地将信息从源市场转换到目标市场，我们采用了两个阶段的排名。在预排序阶段，我们采用多种预排序方法或模型进行特征生成。经过详细的特征分析和特征选择，我们训练LightGBM与10倍装袋做最后的排名。
2022-03-02 cs.IR
Reinforced Path Reasoning for Counterfactual Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）
反事实解释通过探索项目或用户的最小改变如何影响推荐决策来解释推荐机制。现有的反事实可解释方法面临巨大的搜索空间并且它们的解释或者是基于动作的（例如，用户点击）或基于方面（即，项目说明）。我们相信基于项目属性的解释对用户来说更直观和更有说服力，因为它们通过细粒度的项目人口统计特征（例如，brand）。此外，反事实解释可以过滤掉负面项目，从而加强建议。在这项工作中，我们提出了一种新的反事实解释推荐（CERec）生成基于项目属性的反事实解释，同时提高推荐性能。我们的CERec优化解释政策统一搜索候选反事实在强化学习环境。我们减少了巨大的搜索空间与自适应路径采样器，通过使用丰富的上下文信息的一个给定的知识图谱。我们还将解释策略部署到推荐模型中，以增强推荐。广泛的可解释性和推荐评估表明CERec有能力提供符合用户偏好的解释，并保持改进的推荐。我们在https://github.com/Chrystalii/CERec上发布代码。
2022-07-14 cs.AI cs.IR
Curr-RLCER:Curriculum Reinforcement Learning For Coherence Explainable Recommendation
Huazhong University of Science and Technology（华中科技大学）
本文提出Curr-RLCER框架，通过课程学习逐步提升推荐系统稳定性，并引入相干驱动奖励机制增强解释与预测评分的一致性。
2026-04-07 cs.IR
Fairness-aware Personalized Ranking Recommendation via Adversarial Learning
推荐算法通常基于历史用户-项目交互（例如，点击、喜欢或评级）以提供个性化的项目排名列表。由于用户偏好不同，这些交互通常不均匀地分布在不同的项目组上。然而，我们发现，推荐算法可以继承甚至放大这种不平衡的分布，导致不公平的项目组的建议。具体地说，我们形式化的概念排名为基础的统计奇偶性和机会均等的两个公平性措施的个性化排名推荐项目组。然后，我们实证表明，最广泛采用的算法之一-贝叶斯个性化排名-产生不公平的建议，这促使我们努力提出新的公平意识的个性化排名模型。去偏置模型能够在保持推荐性能的同时改进两个提出的公平性指标。在三个公共数据集上的实验表明，与最先进的替代方案相比，所提出的模型具有很强的公平性。本文是SIGIR 2020~ \cite{zhu2020measuring}论文的扩展和重组版本。在本文中，我们重新框架的个性化排名推荐系统中的“项目推荐公平性”的研究问题，并提供了更多的细节所提出的模型的训练过程和实验设置的细节。
2021-03-14 cs.IR
EXTRA: Explanation Ranking Datasets for Explainable Recommendation
近年来，可解释推荐系统的研究引起了学术界和工业界的广泛关注，产生了各种各样的可解释模型。因此，它们的评估方法因模型而异，这使得比较不同模型的可解释性变得非常困难。为了实现评估推荐解释的标准方式，我们为EXplanaTion Ranking（表示为EXTRA）提供了三个基准数据集，可解释性可以通过面向排名的指标来衡量。然而，构建这样的数据集带来了巨大的挑战。首先，在现有的推荐系统中，用户-项目-解释三元组交互很少，因此如何找到替代方案成为一个挑战。我们的解决方案是从用户评论中识别几乎相同的句子。这个想法然后导致第二个挑战，即，如何有效地将数据集中的句子分类为不同的组，因为它具有二次运行时复杂度来估计任何两个句子之间的相似性。为了缓解这个问题，我们提供了一个更有效的方法，基于局部敏感哈希（LSH），可以检测近似重复的次线性时间为给定的查询。此外，我们公开了我们的代码，以允许社区中的研究人员创建自己的数据集。
2021-05-08 cs.IR
Time-aware Path Reasoning on Knowledge Graph for Recommendation
知识图谱（KG）具有提供明确解释的能力，因此KG上的推理被研究用于可解释的推荐。然而，现有的基于KG的可解释推荐方法忽略了时间信息（如购买时间、推荐时间等），这可能导致不适当的解释。在这项工作中，我们提出了一种新的时间感知路径推理推荐（TPRec为短）方法，它利用时间信息的潜力，提供更好的推荐与合理的解释。首先，提出了一种有效的时间感知交互关系抽取组件，用于构建具有时间感知交互的协同知识图谱（TCKG），然后提出了一种新的时间感知路径推理方法用于推荐。我们在三个真实世界的数据集上进行了广泛的实验。实验结果表明，TPRec可以成功地利用TCKG，以实现实质性的收益和提高质量的可解释的建议。
2022-05-16 cs.IR
Aligning Explanations for Recommendation with Rating and Feature via Maximizing Mutual Information
提出MMI框架，通过互信息度量并强化学习微调解释生成模型，使推荐解释与预测评分和项目特征对齐，提升用户决策满意度。
2024-08-20 cs.IR
TME-PSR: Time-aware, Multi-interest, and Explanation Personalization for Sequential Recommendation
Tongji University（同济大学）
本文提出TME-PSR模型，整合时间感知个性化、多兴趣个性化和解释个性化，以提升个性化序列推荐的准确性和解释质量，通过双视门控时间编码器、轻量级多头线性递归单元和动态双分支互信息加权机制实现高效个性化对齐。
2026-04-10 cs.AI cs.IR
Zeroshot Listwise Learning to Rank Algorithm for Recommendation
针对排序学习在推荐中应用减少的问题，利用顺序统计量近似和幂律分布设计零样本列表级排序学习算法，实验证明其准确且公平。
2024-09-05 cs.IR
Explanation as a Defense of Recommendation
University of Virginia（弗吉尼亚大学）；Alibaba Group（阿里巴巴集团）
文本解释已被证明有助于提高用户对机器推荐的满意度。然而，目前的主流解决方案松散地将解释学习与推荐学习联系起来：例如，它们通常被单独建模为评级预测和内容生成任务。在这项工作中，我们建议加强他们的联系，通过执行的想法之间的情感一致的建议和相应的解释。在训练时，这两个学习任务由潜在情感向量连接，该向量由推荐模块编码并用于为解释生成进行单词选择。在训练和推理时，解释模块都需要生成与推荐模块预测的情感相匹配的解释文本。大量的实验表明，我们的解决方案在推荐和解释任务中优于一组丰富的基线，特别是在其生成的解释的质量提高。更重要的是，我们的用户研究证实，我们生成的解释可以帮助用户更好地识别推荐项目之间的差异，并理解为什么推荐项目。
2021-01-24 cs.AI cs.CL cs.IR
ReasoningRec: Bridging Personalized Recommendations and Human-Interpretable Explanations through LLM Reasoning
Texas A&M University（德克萨斯农工大学）
本研究提出基于推理的推荐框架ReasoningRec，用大LLM生成用户偏好合成解释来微调小LLM，在提升推荐准确率（最高超SOTA12.5%）的同时提供人类可理解的解释，弥合了推荐与可解释性之间的差距。
2024-10-30 cs.AI cs.IR
Neural-Symbolic Reasoning over Knowledge Graph for Multi-stage Explainable Recommendation
推荐系统的最新研究已经将外部知识图谱视为有价值的信息来源，不仅可以产生更好的推荐，还可以解释选择推荐项目的原因。基于规则的符号化方法在知识图谱上提供了透明的推理过程，但缺乏对未知示例的泛化能力，而深度学习模型增强了强大的特征表示能力，但难以解释。此外，由于寻路的搜索空间巨大，在大规模知识图谱上的直接推理可能是昂贵的。我们通过一种新的粗到细的神经符号推理方法，称为NSER的方法来解决这个问题。首先生成粗粒度的解释以捕获抽象的用户行为模式，然后生成细粒度的解释，并伴随显式的推理路径和从知识图谱中推断出的推荐。我们在四个真实世界的数据集上进行了广泛的实验，并观察到与最先进的方法相比，推荐性能的大幅提高，以及不同粒度的更多样化的解释。
2020-07-26 cs.IR
Feature-aware Diversified Re-ranking with Disentangled Representations for Relevant Recommendation
相关推荐是一种特殊的推荐场景，当用户对一个目标项目表示兴趣时，点击，喜欢和购买）。除了考虑建议与触发项目之间的相关性外，建议还应多样化，以避免信息茧。然而，现有的多样化推荐方法主要集中在项目级的多样性，这是不够的，当推荐的项目都是相关的目标项目。此外，冗余或嘈杂的项目功能可能会影响性能的简单特征感知推荐方法。面对这些问题，我们提出了一个功能分解自平衡重新排序框架（FDSB），以捕获功能感知的多样性。该框架包括两个主要模块，即解纠缠注意编码器（DAE）和自平衡多方面排名。在DAE中，我们使用多头注意力从丰富的项目特征中学习分离的方面。在排名器中，我们开发了一个特定于方面的排名机制，能够自适应地平衡每个方面的相关性和多样性。在实验中，我们对收集的数据集进行离线评估，并在快手应用程序上部署FDSB，对相关推荐功能进行在线A/B测试。推荐质量和用户体验的显著改善验证了该方法的有效性。
2022-06-10 cs.IR
On the Factual Consistency of Text-based Explainable Recommendation Models
Sorbonne University（索邦大学）；CNRS（法国国家科学研究中心）；ISIR（信息智能研究所）；AgroParisTech（巴黎国立高等农学院）；UMR MIA Paris-Saclay（巴黎萨克雷混合研究单位MIA）
本文研究基于文本的可解释推荐模型的事实一致性，提出评估框架和指标，发现尽管模型在语义相似度上表现良好，但事实一致性指标表现不佳，凸显了事实意识评估的重要性。
2026-05-15 cs.IR
Two Birds with One Stone: Unified Model Learning for Both Recall and Ranking in News Recommendation
召回和排序是个性化新闻推荐的两个关键步骤。现有的新闻推荐系统大多采用不同的模型分别进行个性化的新闻召回和排序。然而，维护多个模型导致高计算成本，并提出了很大的挑战，以满足新闻推荐系统的在线延迟要求。为了解决这个问题，本文提出了UniRec，一个统一的方法召回和排名的新闻推荐。在我们的方法中，我们首先使用用户编码器模型从用户的历史新闻点击行为推断用户嵌入排名。然后，我们推导出用户嵌入召回从获得的用户嵌入排名使用它作为注意力查询选择一组基本用户嵌入编码不同的一般用户的兴趣和合成到一个用户嵌入召回。在基准数据集上的大量实验表明，该方法可以提高新闻推荐的召回率和排名效率。
2022-03-23 cs.IR
Knowledge-grounded Natural Language Recommendation Explanation
Bosch Research North America（博世北美研究院）；University of Florida（佛罗里达大学）
针对现有推荐解释依赖主观评论的局限，提出基于知识图谱与协同过滤的方法，生成客观事实驱动的个性化自然语言解释，并联合学习表示提升推荐性能。
2023-08-30 cs.CL cs.IR
Coherency Improved Explainable Recommendation via Large Language Model
本文提出一种基于大语言模型的可解释推荐框架，通过先生成评分再生成解释来解决评分与解释不一致的问题，并利用公开模型自动评估一致性，在三个数据集上显著优于现有方法。
2025-02-21 cs.IR
Providing Explanations for Recommendations in Reciprocal Environments
Bar-Ilan University（巴伊兰大学）；Weizmann Institute of Science（魏茨曼科学研究所）
支持用户找到互利匹配的自动化平台，如在线约会和招聘网站，正变得越来越受欢迎。这些平台通常包括帮助用户找到合适匹配的推荐系统。虽然为他们的推荐提供解释的推荐系统已经显示出许多好处，但解释方法还有待于在推荐合适的匹配中进行调整和测试。在本文中，我们介绍并广泛评估使用“互惠解释”-解释提供推理，为什么双方都有望从比赛中受益。通过广泛的实证评估，在有287名人类参与者的模拟和现实世界约会平台中，我们发现，当接受推荐涉及重大成本时（例如，货币或情感），互惠解释优于仅考虑推荐接收者的标准解释方法。然而，与人们的预期相反，当接受一项建议的成本可以忽略不计时，相互解释的效果不如传统的解释方法。
2018-07-03 cs.AI cs.HC cs.IR
Tell Me the Good Stuff: User Preferences in Movie Recommendation Explanations
本文通过129名参与者的在线实验，比较了热门电影推荐中纯正面与含负面信息的解释风格，发现单面正面解释在信任、透明度、有效性和满意度上均更优，为低风险娱乐场景的解释设计提供了实践启示。
2025-05-06 cs.HC cs.IR
Plausible Counterfactual Explanations of Recommendations
Faculty of Electrical Engineering（电气工程系）；Czech Technical University in Prague（布拉格捷克技术大学）
本研究提出了一种在推荐系统中生成高度合理反事实解释（CE）的方法，并通过数值实验与用户研究验证了其有效性，为提升推荐系统的说服力与用户体验提供了新途径。
2025-07-10 cs.IR cs.LG
Evaluating Brand Retrieval and Ranking in Large Language Model Recommendations
Northwestern University（西北大学）；Boston University（波士顿大学）
该研究提出一个评估LLM品牌推荐的框架，通过BRP@k和MRR@k指标及重复采样，发现推荐显著性更受市场可见性影响，且品牌可条件性检索，强调应视推荐为随机检索排名过程。
2026-09-16 cs.IR
Learning Post-Hoc Causal Explanations for Recommendation
Rutgers University（罗格斯大学）；Renmin University of China（中国人民大学）
最先进的推荐系统具有生成高质量推荐的能力，但由于使用黑盒预测模型，通常不能向人类提供直观的解释。缺乏透明度突出了提高推荐系统的可解释性的至关重要性。在本文中，我们建议从用户交互历史中提取因果规则作为黑盒顺序推荐机制的事后解释，同时保持推荐模型的预测准确性。我们的方法首先获得反事实的例子与援助的扰动模型，然后提取个性化的因果关系的推荐模型，通过因果规则挖掘算法。在几个最先进的顺序推荐模型和真实数据集上进行了实验，以验证我们的模型在生成因果解释方面的性能。同时，我们从质量和可信度两个方面对所发现的因果解释进行了评价，结果表明，与传统的关联规则相比，因果规则能够为黑盒推荐模型的行为提供个性化的、更有效的解释。
2021-02-23 cs.AI cs.IR cs.LG
Generate Natural Language Explanations for Recommendation
Rutgers University（罗格斯大学）；Tsinghua University（清华大学）
为推荐提供个性化的解释可以帮助用户理解推荐结果的潜在洞察力，这有助于提高推荐系统的有效性、透明度、说服力和可信度。目前的可解释推荐模型大多基于预定义的句子模板生成文本解释。然而，基于模板的解释语句的表达能力仅限于预定义的表达式，并且手动定义表达式需要大量的人工努力。出于这个问题，我们建议生成自由文本自然语言解释的个性化推荐。特别是，我们提出了一个层次化的序列到序列模型（HSS）的个性化解释生成。与传统的自然语言处理研究中的句子生成不同，电子商务推荐中的解释生成面临的一个巨大挑战是用户评论中的句子并非都是解释性的。为了解决这个问题，我们进一步提出了一个自动去噪机制的基础上，主题项目的特征词的句子生成。在多个电子商务产品领域的实验表明，该方法不仅可以提高推荐准确率，而且在离线度量和特征词覆盖率方面也提高了解释质量。这项研究是授予智能代理基于自然语言句子解释自己的能力的初步步骤之一。
2021-01-09 cs.AI cs.CL cs.IR
Learning Heterogeneous Knowledge Base Embeddings for Explainable Recommendation
在推荐系统中提供模型生成的解释对于用户体验是重要的。最先进的推荐算法--尤其是具有浅模型或深模型的基于协同过滤（CF）的方法--通常与用于推荐的各种非结构化信息源一起工作，诸如文本评论、视觉图像以及各种隐式或显式反馈。虽然结构化知识库被认为是基于内容的方法，他们已经在很大程度上被忽视，最近由于CF方法的研究重点。然而，结构化知识在个性化推荐系统中显示出独特的优势。当考虑关于用户和项目的显式知识用于推荐时，系统可以基于用户的历史行为提供高度定制的推荐，并且该知识有助于提供关于推荐项目的明智解释。使用知识库进行推荐的一个巨大挑战是如何集成大规模的结构化数据，同时利用协同过滤来实现高精度的性能。知识库嵌入（KBE）的最新成果揭示了这个问题，这使得有可能学习用户和项目表示，同时保留其与外部知识的关系结构进行解释。在这项工作中，我们建议解释知识库嵌入可解释的建议。具体来说，我们提出了一个知识库表示学习框架来嵌入异构实体进行推荐，并基于嵌入的知识库，提出了一种软匹配算法来为推荐项生成个性化的解释。在真实电子商务数据集上的实验结果验证了与最先进的基线相比，我们的方法具有卓越的推荐性能和可解释性。
2018-11-01 cs.IR
Rankformer: A Graph Transformer for Recommendation based on Ranking Objective
针对推荐系统模型架构常忽视个性化排序核心特性的问题，提出受排序目标梯度启发的图Transformer推荐模型Rankformer，搭配线性复杂度加速算法，实验证明其性能优于现有最优方法。
2025-03-21 cs.IR
Explainable Entity-based Recommendations with Knowledge Graphs
Carnegie Mellon University（卡内基梅隆大学）
可解释性推荐是一项重要任务。已经提出了许多方法，这些方法从为项目编写的内容和评论中生成解释。当评论文本不可用时，生成解释仍然是一个难题。在本文中，我们说明了如何解释可以在这样的情况下，利用外部知识的形式知识图谱。我们的方法联合排名项目和知识图谱实体使用个性化的PageRank过程产生的建议连同他们的解释。
2017-07-12 cs.CL cs.IR
Personalized Ranking on Cascading Behavior Graphs for Accurate Multi-Behavior Recommendation
针对多行为推荐中表示学习的过平滑与高频偏差问题，提出 CascadingRank，通过级联行为图和迭代排序实现个性化推荐并取得显著性能提升。
2025-02-17 cs.IR
Counterfactual Explainable Recommendation
Rutgers University（罗格斯大学）；Renmin University of China（中国人民大学）
可解释性推荐通过为用户和系统设计者提供解释性信息来帮助他们更好地理解和决策，已经成为一个重要的研究课题。在本文中，我们提出了反事实解释性推荐（CountER），它采取了反事实推理的见解，从因果推理的解释性推荐。CountER能够公式化解释的复杂性和强度，并采用反事实学习框架为模型决策寻求简单（低复杂性）和有效（高强度）的解释。从技术上讲，对于推荐给每个用户的每个项目，CountER制定了一个联合优化问题，以在项目方面产生最小的变化，从而创建一个反事实项目，从而逆转对反事实项目的推荐决策。这些改变的方面构成了为什么推荐原始项目的解释。这种反事实解释既有助于用户更好地理解，也有助于系统设计人员更好地调试模型。另一个贡献的工作是可解释的建议，这一直是一个具有挑战性的任务的评价。幸运的是，反事实解释非常适合标准的定量评估。为了衡量解释质量，我们设计了两种类型的评价指标，一种是从用户的角度（即用户为什么喜欢该项目），另一种是从模型的角度（即模型为什么推荐该项目）。我们将我们的反事实学习算法应用于黑盒推荐系统，并在五个真实世界的数据集上评估生成的解释。结果表明，我们的模型产生更准确和有效的解释比国家的最先进的可解释的推荐模型。
2023-02-17 cs.IR cs.LG
Attention over Self-attention:Intention-aware Re-ranking with Dynamic Transformer Encoders for Recommendation
重新排序模型细化了由先前的全局排序模型生成的项目推荐列表，这已经证明了它们在提高推荐质量方面的有效性。然而，大多数现有的重排序解决方案只学习隐式反馈与共享的预测模型，这令人遗憾地忽略了不同的用户意图下的项目间的关系。在本文中，我们提出了一种新的意图感知重排序模型与动态Transformer编码器（RAISE），旨在执行用户特定的预测，为每个单独的用户的基础上，她的意图。具体来说，我们首先提出挖掘潜在的用户意图从文本评论与意图发现模块（IDM）。通过区分评论信息的重要性与共同注意力网络，潜在的用户意图可以显式地建模为每个用户项目对。然后，我们引入了一个动态的Transformer编码器（DTE），以捕捉用户特定的项目之间的项目候选人无缝地容纳通过IDM学习潜在的用户意图之间的关系。因此，人们不仅可以实现更个性化的推荐，而且还可以通过在现有的推荐引擎上构建RAISE来获得相应的解释。在4个公开数据集上的实验结果表明，本文提出的RAISE算法在Precision@5、MAP@5和NDCG@5下的相对性能分别提高了13.95%、9.60%和13.03%。
2023-03-12 cs.IR
Learning to Rank Rationales for Explainable Recommendation
现有的推荐系统（RS）主要依赖于复杂的深度神经网络（DNN）模型结构，这使得很难在RS决策的同时提供解释。先前的研究人员已经证明，提供解释和推荐项目可以帮助用户做出明智的决定，并提高他们对不可解释的黑盒系统的信任。在与模型无关的可解释推荐中，系统设计者部署一个单独的解释模型来从决策模型中获取输入，并生成解释以满足说服力的目标。在这项工作中，我们探索的任务，排名文本的理由（支持证据）模型无关的可解释的建议。现有的理据排序算法大多只利用理据ID和交互矩阵来构建潜在的因素表示，而文本理据中的语义信息没有得到有效的学习。我们认为，这样的设计是次优的重要的语义信息的文字原理内，可以用来更好地配置文件的用户偏好和项目功能。针对这一问题，本文提出了一种语义增强贝叶斯个性化解释排序模型（SE-BPER），有效地将交互信息和语义信息结合起来。SE-BPER首先用Transformer模型生成的上下文化嵌入对潜在因子表示进行优化，然后用交互数据对它们进行优化。大量的实验表明，这种方法提高了rationales排名性能，同时简化了模型训练过程（更少的超参数和更快的收敛速度）。我们的结论是，结合语义和交互信息的最佳方式仍然是一个悬而未决的问题，在任务的理由排名。
2022-06-10 cs.IR
Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
Sorbonne Université（索邦大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Air Liquide（液化空气集团）；Université Paris-Saclay（巴黎萨克雷大学）
提出将可解释推荐形式化为语句级排序问题，通过从评论中提取解释性语句并排序，避免生成式幻觉，支持细粒度事实分析和标准化评估。
2026-06-26 cs.IR
Hierarchical Interaction Summarization and Contrastive Prompting for Explainable Recommendations
针对可解释推荐中嵌入向量导致信息丢失的问题，提出分层交互摘要生成文本画像并利用对比提示生成高质量解释，微调LLM生成解释，在多个数据集上显著提升可解释性指标。
2025-07-08 cs.IR
Slate-Aware Ranking for Recommendation
我们看到了石板推荐系统的广泛采用，其中根据用户兴趣和项目内容将有序的项目列表提供给用户。对于每个推荐，用户可以从列表中选择一个或多个项目以进行进一步的交互。在这种情况下，项目之间的相互影响对用户行为的重大影响是很好理解的。现有的推荐方法在推荐系统的排序阶段之后增加了一个重新排序的步骤，该步骤考虑了被推荐项目之间的相互影响来重新排序并生成推荐结果，以最大化期望的总体效用。然而，为了模拟多个推荐项目的复杂交互，由于有限的硬件资源和系统延迟的限制，重新排序阶段通常只能处理几十个候选项。因此，排名阶段对于大多数应用程序来说仍然是必不可少的，以便为重新排名阶段提供高质量的候选集。在本文中，我们提出了一个解决方案命名为Slate-Aware排名（SAR）的排名阶段。通过隐式地考虑候选项之间的关系，它显著地提高了重新排序阶段的候选集的质量，并提高了整个推荐系统的相关性和多样性。在公开数据集上的实验和内部在线A/B测试都验证了该方法的有效性。
2023-02-24 cs.IR
FairRank: Fairness-aware Single-tower Ranking Framework for News Recommendation
单塔模型被广泛应用于新闻推荐的排序阶段，根据用户行为所指示的用户兴趣与候选新闻的细粒度相关性来准确地对候选新闻进行排序。然而，这些模型可以容易地继承与用户的敏感属性（例如，人口统计学），并且可能生成对具有某些属性的用户不公平的推荐结果。在本文中，我们提出了FairRank，这是一个公平意识的新闻推荐单塔排名框架。由于候选新闻的选择可能是有偏见的，我们建议使用一个共享的候选感知用户模型，以匹配用户的兴趣与一个真实的显示候选新闻和一个随机的新闻，分别学习候选感知用户嵌入，反映用户的兴趣在候选新闻和候选不变的用户嵌入，表明用户的内在兴趣。我们将对抗学习应用于这两种方法，以减少敏感用户属性带来的偏见。此外，我们使用KL损失来正则化从两个用户嵌入中推断出的属性标签，使其相似，这可以使模型捕获更少的候选人感知偏差信息。在两个数据集上的大量实验表明，FairRank可以提高各种单塔新闻排名模型的公平性，而性能损失较小。
2022-04-01 cs.IR
A Lay User Explainable Food Recommendation System Based on Hybrid Feature Importance Extraction and Large Language Models
Ecole Nationale Supérieure d’Informatique d’Alger, ESI ex-INI Alger（阿尔及尔国立高等信息学院）；Centre de Recherche Panafricain en Management pour le Développement(CERPAMAD)（非洲管理发展研究中心）；Umeå University（于默奥大学）；Devoteam（德沃泰姆）；University of Luxembourg（卢森堡大学）；Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所）
本文提出一种基于混合特征重要性提取和大语言模型的食品推荐系统，旨在为普通用户提供更清晰、全面的推荐结果解释，提升用户信任和透明度。
2025-12-10 cs.IR
Optimizing Rankings for Recommendation in Matching Markets
基于推荐系统在电子商务中的成功，人们对它们在匹配市场中的使用越来越感兴趣（例如，劳动）。虽然这有可能提高市场的流动性和公平性，但我们在本文中表明，天真地将现有的推荐系统应用于匹配市场是次优的。考虑到标准的过程中，候选人申请，然后得到雇主的评估，我们提出了一个新的推荐框架来模拟这种互动机制，并提出了有效的算法计算个性化的排名在这种情况下。我们发现，最佳排名不仅需要考虑候选人和雇主的潜在不同偏好，而且还需要考虑能力限制。这使得传统的排名系统仅仅通过一些局部分数（例如，单侧或互反相关性）是非常次优的--不仅对于个人用户，而且对于社会目标（例如，低失业率）。为了解决这个缺点，我们提出了第一种方法，用于联合优化市场上所有候选人的排名，以显式地最大化社会福利。除了理论推导，我们评估的方法都模拟环境和数据从现实世界中的网络推荐系统，我们建立和部署在一个大型计算机科学会议。
2021-06-03 cs.IR
It's Not You, It's Me: The Impact of Choice Models and Ranking Strategies on Gender Imbalance in Music Recommendation
本研究通过模拟用户交互与模型反复重训练，比较排序策略和用户选择模型对音乐推荐中艺术家性别公平反馈回路的影响，发现重排序策略的作用更大。
2024-08-22 cs.IR
Knowledge is Power, Understanding is Impact: Utility and Beyond Goals, Explanation Quality, and Fairness in Path Reasoning Recommendation
University of Cagliari（卡利亚里大学）；Polytechnic University of Turin（都灵理工大学）
路径推理是基于知识图谱（KG）对高阶用户-产品关系建模的著名推荐方法。这种方法可以提取推荐产品和已经体验过的产品之间的推理路径，然后将这些路径转化为用户的文本解释。不幸的是，在这一领域的评估协议出现异构和有限的，很难上下文的影响，现有的方法。在本文中，我们复制了三个国家的最先进的相关路径推理推荐方法提出的顶级会议。在一个共同的评估协议下，基于两个公共数据集，并与其他知识感知的方法相比，我们研究了它们在多大程度上满足推荐效用和超越目标，解释质量，消费者和提供者的公平性。我们的研究提供了在这一领域的进展情况，突出开放的问题和未来的方向。源代码：\url{https://github.com/giacoballoccu/rep-path-reasoning-recsys}。
2023-01-14 cs.AI cs.IR
RecRanker: Instruction Tuning Large Language Model as Ranker for Top-k Recommendation
本文提出RecRanker，通过自适应采样高质量训练数据、位置平移策略及融合传统推荐信号增强提示，并以逐点、逐对、逐列表三种排序任务的混合排序方法微调大语言模型，提升Top-k推荐性能。
2024-03-31 cs.IR
A Practical Two-stage Ranking Framework for Cross-market Recommendation
跨市场推荐是指在资源稀缺的目标市场中，利用用户在资源丰富的目标市场中的行为向用户推荐产品，这对于电子商务企业来说是至关重要的，但目前研究较少。在本文中，我们提出了我们在跨市场推荐竞赛中采用的详细解决方案，即，第2022章.为了更好地利用目标市场和源市场之间的协作信号和相似性，我们仔细考虑了多个特征以及由深度图推荐模型（图神经网络，DeepWalk等）组成的堆叠学习模型。和传统推荐模型（ItemCF、UserCF、Swing等）。此外，我们采用基于树的集成方法，例如，LightGBM在预测任务中显示出优越的性能，以生成最终结果。我们在XMRec数据集上进行了全面的实验，验证了我们的模型的有效性。我们团队WSDM_Coggle_提出的解决方案被选为第二名。
2022-04-27 cs.IR
MaRI: Accelerating Ranking Model Inference via Structural Re-parameterization in Large Scale Recommendation System
Kuaishou Technology（快手科技）
MaRI通过结构重参数化技术在不损失精度的情况下加速大规模推荐系统中的排名模型推理。
2026-02-26 cs.IR
Killing Two Birds with One Stone: Unifying Retrieval and Ranking with a Single Generative Recommendation Model
本文提出统一生成式推荐框架UniGRF，将检索与排序集成于单一生成模型，通过排序驱动增强和自适应加权实现同步优化，显著提升基准数据集上的推荐性能。
2025-04-23 cs.IR
Bridge the gap between network-based inference method and global ranking method in personal recommendation
本文研究了个性化推荐中基于网络的推理方法和全局排序方法之间的关系。通过理论分析，证明了全局排序方法下的推荐结果是无限次应用基于网络的推理方法的极限。
2015-07-15 cs.IR cs.SI
Explanations for Temporal Recommendations
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
推荐系统是人工智能（AI）不可或缺的一部分，在人工智能商业化的时代变得越来越重要。用于推荐系统（RS）的深度学习（DL）技术为有效的推荐提供了强大的潜在特征模型，但是遭受不可解释的主要缺点。在本文中，我们描述了一个框架，可解释的时间建议在DL模型。我们考虑基于LSTM的递归神经网络（RNN）架构用于推荐，以及基于邻域的方案用于在模型中生成解释。我们通过在Netflix数据集上的实验，通过联合优化预测准确性和可解释性，证明了我们方法的有效性。
2018-07-17 cs.AI cs.HC cs.IR
