A Neural Network Based Explainable Recommender System
推荐系统可以帮助企业说服用户到特定的地方进行访问或消费，这是基于许多传统的方法，如一组协同过滤算法。大多数研究讨论了模型设计或特征工程方法，以最大限度地减少评分预测的均方根误差（RMSE），但缺乏探索如何产生推荐的原因。提出了一种基于神经网络的综合评分预测和解释词生成模型。实验结果表明，该模型与传统方法相比，具有较低的RMSE，并能生成推荐解释，说服顾客访问推荐地点。
2018-12-31 cs.IR
Robust reputation-based ranking on multipartite rating networks
在线评论、评级和意见的传播及其对人们行为和决策的日益增长的影响，提高了人们从这些数据洪流中提取有意义信息的兴趣。因此，众包的产品和服务评级在企业、政府和其他方面发挥了关键作用。我们提出了一个新的基于声誉的排名系统，利用多部评级子网络，聚类用户的相似性，使用柯尔莫哥洛夫复杂性。我们的系统是新颖的，因为它反映了意见/偏好的多样性分配可能不同的排名，为同一个项目，为不同的用户群。我们证明了该系统的收敛性和效率，并表明它能更好地应对垃圾邮件/虚假用户，它比最先进的方法更强大的攻击。
2017-05-02 cs.HC cs.IR cs.SI
An Explainable Autoencoder For Collaborative Filtering Recommendation
University of Louisville（路易斯维尔大学）
自编码器是深度学习架构的常见构建块，它们主要用于表示学习。它们也被成功地用于协同过滤（CF）推荐系统，以预测缺失的评级。不幸的是，像所有黑盒机器学习模型一样，它们无法解释它们的输出。因此，虽然基于Autoencoder的推荐系统的预测可能是准确的，但用户可能不清楚为什么会生成推荐。在这项工作中，我们设计了一个可解释的推荐系统，使用Autoencoder模型，其预测可以解释使用基于邻域的解释风格。我们的初步工作可以被认为是迈向基于自动编码器的可解释深度学习架构的第一步。
2019-12-23 cs.AI cs.IR cs.LG
MMALFM: Explainable Recommendation by Leveraging Reviews and Images
虽然潜在因素模型在评分预测方面取得了很好的准确性，但它存在许多问题，包括冷启动，不透明，以及个别用户-项目对的次优结果。在本文中，我们利用文本评论和项目图像以及评级来解决这些限制。具体来说，我们首先应用一个建议的多模态方面感知主题模型（MATM）的文本评论和项目图像从不同的方面来模拟用户的喜好和项目的功能，也估计方面的重要性，用户对一个项目。然后，方面的重要性集成到一个新的方面感知的潜在因素模型（ALFM），学习用户和项目的潜在因素的基础上的评级。特别是，ALFM引入了一个权重矩阵，将这些潜在因素与MATM中的同一组方面相关联，从而可以使用潜在因素来估计方面评级。最后，通过方面评级的线性组合计算整体评级，这些方面评级由相应的方面重要性加权。为此，我们的模型可以缓解数据稀疏性问题，并获得良好的解释性推荐。此外，每个方面的评级是加权的方面的重要性，这是依赖于目标用户的喜好和目标项目的功能。因此，预计所提出的方法可以更准确地为每个用户-项目对建模用户对项目的偏好。在Yelp 2017 Challenge数据集和Amazon产品数据集上进行了全面的实验研究，以证明我们方法的有效性。
2018-11-24 cs.IR
What You Like: Generating Explainable Topical Recommendations for Twitter Using Social Annotations
在Twitter上，每天发布超过5亿条推文，Twitter用户很难从大量无聊的帖子中发现有趣的内容。在这项工作中，我们提出了一个新的，可解释的，专题推荐系统，利用社会注释，以帮助Twitter用户发现推文，他们感兴趣的话题。在高容量社交网络中使用传统的依赖于评级的推荐系统（如协作过滤和基于内容的系统）的主要挑战是，由于注意力稀缺，大多数项目得不到任何评级。此外，大多数Twitter用户是被动消费者，44%的用户从不发推文，这使得使用用户评级来生成推荐非常困难。此外，开发推荐系统的一个关键挑战是，在许多情况下，如果用户完全不熟悉推荐项目，他们会拒绝相关的推荐。提供一个合适的解释，为什么该项目被推荐，大大提高了建议的可接受性。由于是一个专题推荐系统，我们的方法是能够产生的建议，目前简单的专题解释。与最先进的基于矩阵分解的协同过滤，基于内容和社会的建议的比较表明所提出的方法的有效性。
2022-12-23 cs.IR
Relation Analysis between Hotel Review Rating Scores and Sentiment Analysis of Reviews by Chinese Tourists Visiting Japan
在当今时代，在线酒店评论网站的重要性已经变得越来越明显。这些网站的用户引用评论强烈影响他们的购买行为，因此，评论对公司和研究人员都很重要。大多数评论网站提供文本评论和数字酒店评级，这两种信息源被研究人员广泛用作客户情绪和意见的代表。然而，意见是一个难以衡量的概念，因此，取决于这两个来源的关系，在研究中平等地考虑它们是否安全是显而易见的。本文利用基于熵的支持向量机对携程网酒店点评中的正面和负面情绪进行分类，计算正面和负面情绪的比例，并利用Spearman和Kendall相关系数和最大信息系数（MIC）检验正面和负面情绪与点评评分的相关性。
2021-10-02 cs.IR
Amazon Product Recommender System
University of Toronto（多伦多大学）
多年来，亚马逊上的评论数量大幅增长。在亚马逊上购买的客户通过从1到5星对产品进行评级并分享他们对产品的体验和意见的文本摘要来提供评论。对产品的评级进行平均以提供总体产品评级。我们分析了客户对特定产品（音乐曲目）的评分，以便为亚马逊上的数字音乐曲目构建推荐模型。我们测试了各种传统模型以及我们提出的深度神经网络（DNN）架构，以预测评论评分。Amazon评论数据集包含200，000个数据样本;我们在70%的数据集上训练模型，并在剩下的30%的数据集上测试模型的性能。
2021-01-30 cs.IR cs.LG
Learning Attitudes and Attributes from Multi-Aspect Reviews
Stanford（斯坦福大学）
大多数在线评论由纯文本反馈和单个数字评分组成。然而，产品和意见有多个方面，了解有助于用户评级的“方面”可能有助于我们更好地了解他们的个人偏好。例如，用户对有声读物的印象可能取决于故事和叙述者等方面，了解他们对这些方面的看法可能有助于我们推荐更好的产品。在本文中，我们建立模型的评级系统中，这样的尺寸是明确的，在这个意义上说，用户离开单独的评级为产品的每个方面。通过引入由500万篇评论组成的新语料库，这些评论被分为三到六个方面，我们在三个预测任务上评估了我们的模型：首先，我们使用我们的模型来揭示评论的哪些部分讨论了哪些方面。其次，我们使用我们的模型来总结评论，这对我们来说意味着找到最能解释用户评分的句子。最后，由于方面评级在我们考虑的许多数据集中是可选的，我们使用我们的模型来恢复用户评估中丢失的评级。我们的模型与现有小规模数据集上的最先进方法相匹配，同时扩展到我们介绍的真实世界数据集。此外，我们的模型能够“解开”内容和情感词：我们自动学习指示特定方面的内容词以及指示特定评级的特定方面的情感词。
2012-10-31 cs.CL cs.IR cs.LG
Recommendation model based on opinion diffusion
现代社会的信息过载要求高效的推荐算法。在这封信中，我们提出了一种新的基于扩散的推荐模型，用户的评级内置到一个过渡矩阵。为了加快计算速度，我们引入了格林函数方法。基准数据库上的数值测试表明，我们的预测是优于标准的推荐方法。
2007-11-15 cs.CY cs.IR physics.data-an
Application of Machine Learning for Online Reputation Systems
Faculty of Information Technology, Applied Science Private University（应用科学私立大学信息技术学院）
互联网上的用户通常要求场所提供更好的购买建议。这可以由处理评级以提供推荐的信誉系统来提供。评级聚合过程是声誉系统的一个主要部分，用于产生关于产品质量的全球意见。经常使用的简单方法在计算时不考虑消费者的个人资料，无法发现新评级中出现的不公平评级和趋势。其他使用加权平均技术的复杂评级聚合方法关注消费者简档数据的一个或几个方面。本文提出了一种新的信誉系统，利用机器学习来预测消费者的可靠性，从消费者的档案。特别是，我们通过提取一组对消费者可靠性有很大影响的因素来构建新的消费者档案数据集，这些因素作为机器学习算法的输入。然后将预测的权重与加权平均方法结合以计算产品声誉得分。所提出的模型已经在三个MovieLens基准数据集上进行了评估，使用10倍交叉验证。此外，所提出的模型的性能进行了比较，以前公布的评级聚合模型。所得到的结果是有希望的，这表明该方法可能是一个潜在的解决方案的声誉系统。比较结果表明，我们的模型的准确性。最后，所提出的方法可以与在线推荐系统集成，以提供更好的购买推荐，并促进在线购物市场上的用户体验。
2022-09-10 cs.AI cs.IR cs.LG
PERS: A Personalized and Explainable POI Recommender System
基于位置的社交网络（LBSN）（例如，Facebook）有很多因素（例如，评级，签到时间等）。这对兴趣点（POI）建议起着至关重要的作用。与评级不同，评论可以帮助用户详细阐述他们的意见，并根据相关的感兴趣因素（方面）分享消费体验的程度。虽然一些现有的推荐系统已经使用了用户评论，但大多数都不太透明和不可解释。这些原因引起了人们对可解释性和可解释性推荐的极大关注。据我们所知，这是第一篇利用用户评论来整合不同方面的情感和意见的个性化和可解释的POI推荐的论文。在本文中，我们提出了一个模型称为PERS（个性化可解释POI推荐系统），模型的评论方面类别的相关性，通过利用深度神经网络，制定了用户方面类别二分关系作为一个二分图，和模型的可解释的推荐使用二分核心和排名为基础的方法。本文的主要贡献是：（i）基于用户通过评论发布的方面对用户和位置进行建模，（ii）利用深度神经网络对评论-方面类别相关性进行建模，（iii）提供多个上下文（例如，分类、空间等）在兴趣点推荐模型中，（iv）将用户对方面类别的偏好表示为二分关系，将其表示为位置-方面类别二分图，并使用基于二分核心和基于排名的方法，利用有序稠密子图提取的概念对可解释推荐进行建模，（v）使用三个真实世界数据集对生成的推荐进行评估。
2017-12-20 cs.IR
MindReader: Recommendation over Knowledge Graph Entities with Explicit User Ratings
Aalborg University（奥尔堡大学）
知识图谱（KGs）已经被集成到几种推荐模型中，以通过图中的相关实体来增加项目的信息价值。然而，现有的数据集只提供对项目的明确评级，并且没有提供关于其他（不可识别的）实体的用户意见的信息。为了克服这一限制，我们引入了一个新的数据集，称为MindReader，提供明确的用户评级项目和KG实体。在第一个版本中，MindReader数据集提供了从1，174个真实用户收集的超过10.2万个明确的评级，这些评级来自电影领域的KG项目和实体。这个数据集是通过一个在线面试应用程序收集的，我们也发布了开源。作为这个新的数据集的重要性的演示，我们提出了一个比较研究的效果，包括评级对非项目KG实体在各种国家的最先进的推荐模型。特别是，我们表明，大多数模型，无论是否专门为图形数据设计，在明确的非项目评级训练时，推荐质量都有所提高。此外，对于某些模型，我们表明，非项目评级可以有效地取代项目评级，而不会损失推荐质量。这一发现，也由于观察到更熟悉的用户对共同KG实体比对长尾项目，激励使用KG实体的热启动和冷启动建议。
2021-06-08 cs.IR cs.LG
Aspect Based Sentiment Analysis to Extract Meticulous Opinion Value
Bhagwan Parshuram Institute of Technology（巴格万·帕舒拉姆技术学院）
意见挖掘和情感分析是在大量非结构化/结构化数据中识别意见并分析这些意见的极性的过程。意见挖掘和情感分析在分析在线评级、分析基于产品的评论、电子政务和管理互联网上的敌对内容方面有着广泛的应用。本文提出了一种实现方面级情感分析的算法。该算法从学生的各个老师提交的评论中获取输入。形成了一个方面树，它有各种级别和权重分配给每个分支，以确定方面的水平。该算法通过提出的方面树计算方面值。实现了基于字典的方法来评估评论的极性。该算法返回的方面价值棍棒与意见价值和情感价值，这有助于总结的评论的总结价值。
2014-05-29 cs.CL cs.IR
An approach towards debiasing user ratings
随着电子商务的重要性日益增加，出现了许多网站，用户可以表达他们对产品的意见，如电影，书籍，歌曲等，这样的互动可以建模为二分图，从用户到产品的有向边的权重表示用户赋予产品的评级。这些图用于推荐系统和发现最可靠（可信）的产品。对于这些应用程序，重要的是要捕捉用户在对产品进行评级时的偏见。用户有固有的偏见-许多用户总是给予高评价，而许多其他人总是评价很低。在阅读产品评论时，有必要了解评论者的偏见。在为对象分配排名时，补偿这种偏差同样重要。在本文中，我们提出了一种算法来捕捉用户的偏见，然后制服它来计算产品应得的真实评级。实验表明，我们的系统在捕捉用户的偏见，然后计算产品的真实评级的效率和有效性。
2016-03-14 cs.IR cs.SI
AOTree: Aspect Order Tree-based Model for Explainable Recommendation
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
最近的推荐系统的目标不仅是提供准确的推荐，而且还提供解释，帮助用户更好地理解它们。然而，大多数现有的可解释推荐只考虑了内容在评论中的重要性，如单词或方面，而忽略了它们之间的排序关系。这种疏忽忽略了人类决策过程中至关重要的排序维度，导致性能不佳。因此，本文受认知和决策心理学中的顺序效应理论的启发，提出了基于方面顺序树（AOTree）的可解释推荐方法，以捕捉决定因素之间的依赖关系。我们首先通过分析用户的评论来验证推荐场景中的理论。然后，根据该理论，提出的AOTree扩展了决策树的构造，以捕获用户决策过程中的方面顺序，并使用注意力机制进行预测的方面顺序的基础上。大量的实验表明，我们的方法的有效性评级预测，我们的方法更一致地与用户的决策过程中显示的解释，以特定的顺序，从而提高可解释性。
2024-08-03 cs.AI cs.IR
Meta Decision Trees for Explainable Recommendation Systems
Tel Aviv University（特拉维夫大学）；Facebook AI Research（脸书人工智能研究院）
我们解决的问题，建立可解释的推荐系统是基于每个用户的决策树，决策规则是基于单个属性值。我们通过应用学习的回归函数来构建树，以获得决策规则以及叶节点处的值。回归函数接收用户训练集的嵌入以及到达当前节点的样本的嵌入作为输入。嵌入和回归量是端到端学习的，损失会鼓励决策规则变得稀疏。通过应用我们的方法，我们获得了一个协同过滤解决方案，提供了一个直接的解释，它提供的每一个评级。在准确性方面，它与其他算法具有竞争力。然而，正如预期的那样，可解释性是有代价的，准确性通常略低于文献中报告的最新结果。
2019-12-19 cs.IR cs.LG stat.ML
Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation
University of California San Diego（加州大学圣地亚哥分校）；ZOZO Research（ZOZO研究）；Waseda University（早稻田大学）；University of Southern California（南加州大学）；Chiba Institute of Technology（千叶科学技术大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文指出生成式可解释推荐忽略了用户购买后情感，为此构建了关注用户情感的新数据集和评估方法，发现现有模型在传统指标上的表现与情感对齐度无关，但直接输入预测评分能提升解释的情感感知能力。
2025-06-02 cs.AI cs.CL cs.IR
"This Suits You the Best": Query Focused Comparative Explainable Summarization
Computer Science and Engineering, IIT Bombay, India（计算机科学与工程系，印度班加罗尔理工学院）；Flipkart, India（Flipkart，印度）
本文提出面向查询的比较式可解释摘要生成任务QF-CES，引入MS-Q2P数据集，并利用多源观点摘要作为中间步骤结合大语言模型生成表格化比较摘要，在降低推理延迟的同时实现了与人类判断高度相关的评估效果。
2025-07-07 cs.CL cs.IR
Integrating Structure-Aware Attention and Knowledge Graphs in Explainable Recommendation Systems
本文提出一种融合知识图谱与结构感知注意力机制的可解释推荐模型，通过图神经网络多跳聚合和动态权重分配捕捉隐式偏好，在Amazon Books数据集上验证了其优越性能与稳定性。
2025-10-11 cs.IR
Decomposed Opinion Summarization with Verified Aspect-Aware Modules
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）；School of Informatics, The University of Edinburgh（爱丁堡大学信息学院）
本文提出一种由评论方面指导的领域无关模块化意见摘要方法，分离方面识别、意见整合与元评论合成任务，实验证明其生成的摘要比基线模型更有依据，且中间输出能辅助人工总结。
2025-05-28 cs.CL cs.IR
Recommend for a Reason: Unlocking the Power of Unsupervised Aspect-Sentiment Co-Extraction
University of California, Los Angeles（加州大学洛杉矶分校）；NEC Labs America（NEC美国实验室）
评论中的赞美和关注对于了解用户的购物兴趣以及他们对某些物品的特定方面的意见是有价值的。现有的基于审查的编码器青睐大型和复杂的语言编码器，只能学习潜在的和不可解释的文本表示。它们缺乏明确的用户注意力和项目属性建模，然而，这可以提供超出推荐项目能力的有价值的信息。因此，我们提出了一个紧密耦合的两阶段的方法，包括一个情感对提取器（ASPE）和注意属性感知评级估计（APRE）。无监督ASPE挖掘情感对（AS对），APRE使用AS对作为具体的方面级证据来预测评级。在七个真实世界的Amazon Review数据集上进行的大量实验表明，ASPE可以有效地提取AS对，使APRE能够提供优于领先基线的准确性。
2021-09-07 cs.IR cs.LG
GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation
Zhejiang University（浙江大学）；Microsoft Research Asia（微软亚洲研究院）；Baidu Inc.（百度公司）
针对大语言模型可解释推荐在协同偏好建模、个性化和数据稀疏方面的挑战，提出 GaVaMoE 框架，利用 VAE 与 GMM 构建多门控机制并耦合细粒度专家模型，显著提升了个性化解释质量与稀疏场景下的稳健性。
2025-03-04 cs.AI cs.IR
Dynamic matrix factorization with social influence
矩阵分解是基于协同过滤的推荐系统的一个关键组成部分，因为它允许我们在低秩假设下完成稀疏的用户逐项评分矩阵，该假设编码了相似用户给出相似评分以及相似项目获得相似评分的信念。这种范式已经取得了不可估量的实际成功，但它并不是理解和推断人们偏好的完整故事。首先，人们的偏好及其可观察到的评级表现形式随着时间的推移沿着一般的轨迹模式演变。第二，个人的偏好随着时间的推移通过他们的社会关系的影响而演变。在本文中，我们开发了一个统一的过程模型，这两种类型的动态状态空间的方法，连同一个有效的优化方案，在该模型内的估计。该模型结合了动态矩阵分解，意见动态和社会学习，以及基于信任的推荐的最新发展的元素。估计建立在数值非线性优化的最新进展。经验结果的大规模数据集，从Epperly网站上表现出一致的根均方误差的减少，考虑到两种类型的动态。
2016-04-21 cs.IR cs.SI math.OC
Chat-REC: Towards Interactive and Explainable LLMs-Augmented Recommender System
Fudan University（复旦大学）；Tongji University（同济大学）；University of California, Davis（加州大学戴维斯分校）
本文提出Chat-Rec范式，通过将用户画像和历史交互转化为提示词来增强LLMs构建对话式推荐系统，有效提升了交互性、可解释性、跨领域推荐与冷启动处理能力，并改善了top-k推荐和零样本评分预测表现。
2023-04-04 cs.CL cs.IR cs.LG
An Interpretable and Uncertainty Aware Multi-Task Framework for Multi-Aspect Sentiment Analysis
Virginia Tech（弗吉尼亚理工大学）
近年来，一些在线平台已经看到要求用户提供方面级反馈的评论系统的数量迅速增加。文档级多方面情感分类（DMSC），其目标是从单个方面的评论中预测评级/情感，已成为一个具有挑战性和紧迫性的问题。为了应对这一挑战，我们提出了一个深思熟虑的基于自我注意力的深度神经网络模型，即FEDAR，用于DMSC问题，它可以实现有竞争力的性能，同时也能够解释所做的预测。FEDAR配备了一个高速公路词嵌入层，用于从预训练的词嵌入中传输知识，一个RNN编码器层，其输出特征通过池化和因子分解技术丰富，以及一个刻意的自我关注层。此外，本文还提出了一种基于注意力驱动的关键词排序（AKR）方法，该方法可以根据注意力权重从评论语料中自动发现方面关键词和方面级观点关键词。这些关键词对于FEDAR的评级预测非常重要。由于众包注释可以是一种替代的方式来恢复丢失的评论评级，我们提出了一个LEcture-Audience（LEAD）的策略来估计模型的不确定性，在多任务学习的背景下，使宝贵的人力资源可以专注于最不确定的预测。我们在五个不同的开放域DMSC数据集上进行了大量的实验，证明了所提出的FEDAR和LEAD模型的优越性。我们进一步介绍了两个新的DMSC数据集在医疗保健领域和基准不同的基线模型和我们的模型。注意力权重可视化结果和方面和意见关键字的可视化证明了我们的模型的可解释性和我们的AKR方法的有效性。
2021-05-31 cs.CL cs.IR
Improving Explainable Recommendations with Synthetic Reviews
Insight Centre for Data Analytics（洞察数据分析中心）；University College Dublin（都柏林大学学院）；Aalborg University（奥尔堡大学）
推荐系统的一项重要任务是为用户提供可解释的解释。这对系统的可信度很重要。当前的可解释推荐系统倾向于关注对用户来说重要的某些特征，并以结构化的形式提供它们的解释。众所周知，用户生成的评论和来自评论者的反馈对用户的决策有很强的影响力。另一方面，最近的文本生成工作已被证明可以生成与人类书面文本质量相似的文本，我们的目标是表明生成的文本可以成功地用于解释建议。在本文中，我们提出了一个框架，包括流行的审查为导向的生成模型，旨在创建个性化的解释建议。这些解释是在字和词两个层面上产生的。我们构建了一个数据集，其中包含来自亚马逊书评数据集的评论者反馈。我们的跨领域实验旨在从自然语言处理到推荐系统领域的桥梁。除了语言模型评估方法，我们采用DeepCoNN，一种新的面向评论的推荐系统，使用深度神经网络，通过均方根误差（RMSE）来评估生成的评论的推荐性能。我们证明了合成个性化评论比人类书面评论具有更好的推荐性能。据我们所知，这是第一个机器生成的自然语言解释评级预测。
2018-07-18 cs.AI cs.CL cs.IR
DReX: An Explainable Deep Learning-based Multimodal Recommendation Framework
University of Delhi, Delhi, India（德里大学）；National Institute of Technology, Warangal, India（印度战争格尔国家理工学院）
DReX通过多模态反馈的交互级特征逐步细化用户和物品表示，提升推荐系统的可解释性和性能。
2026-02-23 cs.AI cs.IR
Explainable Outfit Recommendation with Joint Outfit Matching and Comment Generation
大多数以前的工作服装推荐的重点是设计视觉功能，以提高建议。现有的工作忽略了用户评论的时尚项目，这已被证明是有效的，随着更好的推荐结果产生的解释。我们提出了一种新的神经网络框架，神经服装推荐（NOR），同时提供服装的建议，并产生抽象的意见。NOR由两部分组成：服装匹配和评论生成。对于服装匹配，我们提出了一个具有相互注意力机制的卷积神经网络来提取视觉特征。然后，视觉特征被解码为用于匹配预测的评级分数。对于抽象评论生成，我们提出了一个门控递归神经网络与跨模态注意力机制转换成一个简洁的句子的视觉特征。这两个部分基于端到端反向传播范式中的多任务学习框架进行联合训练。在现有数据集和收集的真实世界数据集上进行的大量实验表明，NOR在服装推荐方面比最先进的基线有了显着的改进。与此同时，我们生成的评论与人类撰写的评论相比，获得了令人印象深刻的ROUGE和BLEU分数。生成的评论可以被视为对推荐结果的解释。我们发布了数据集和代码，以方便未来的研究。
2019-03-05 cs.IR
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而，大多数研究都集中在提高协同过滤（CF）技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息，应该加以考虑和部署，以提高推荐的质量。本文基于社会传染和社会影响网络理论，提出了两种推荐模型，分别针对个人和群体。在个体推荐模型中，引入社会传染结果对协同过滤预测结果进行改进，模拟了决策过程中信息级联的结果。在群体推荐模型中，我们运用社会影响网络理论，将群体成员之间的人际影响纳入到推荐模型中，形成一个固定的意见分歧模式，然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念，使评分结果具有一定的灵活性，并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
Explainable Recommendation: Theory and Applications
虽然个性化推荐已经被研究了几十年，潜在因素模型（LFM）的广泛采用使得推荐的可解释性成为研究界和推荐系统实际应用的关键问题。例如，在许多实际系统中，该算法仅向用户提供个性化的项目推荐列表，而没有关于为什么这样的项目被推荐而另一个项目不被推荐的有说服力的个性化解释。不可解释的推荐会对推荐系统的可信度产生负面影响，从而影响推荐引擎的有效性。本文从数据可解释性、模型可解释性和结果可解释性三个方面对可解释性推荐进行了研究，主要贡献如下：1。数据可解释性：我们提出了基于局部矩阵分解（LMF）框架的Bordered Block Diagonal Form（BBDF）矩阵，并进一步将该技术应用于并行矩阵分解。2.模型可解释性：我们提出了基于短语级情感分析的显式因素模型（EFM），以及基于时间序列分析的动态用户偏好建模。在这项工作中，我们提取产品的功能和用户意见对不同的功能，从大规模的用户文本评论的基础上短语级的情感分析技术，并介绍了EFM方法的可解释模型学习和推荐。3.经济可解释性：我们提出了总盈余最大化（TSM）的个性化推荐框架，以及在不同类型的在线应用程序的模型规范。基于基本的经济学概念，给出了Web服务应用场景中效用、成本和剩余的定义，提出了Web服务总剩余计算和最大化的一般框架。
2017-08-21 cs.IR
Content Recommendation through Semantic Annotation of User Reviews and Linked Data - An Extended Technical Report
目前，大多数推荐系统利用用户提供的评级来推断他们的偏好。然而，社交和电子商务网站的日益普及也鼓励用户通过文本评论分享评论和意见。在本文中，我们介绍了一种新的推荐方法，它利用用户评论的语义注释，以提取有用的和非平凡的信息，推荐项目。它还依赖于Web of Data中免费提供的知识，特别是DBpedia和Wikidata，以发现与注释实体相关的其他资源。我们在三个领域评估了我们的方法，使用DBpedia和Wikidata。结果表明，我们的解决方案提供了一个更好的排名比另一种基于Web的数据推荐方法，而它提高了新颖性，相对于传统的基于评级的技术。此外，我们的方法实现了更好的性能与维基百科比DBpedia。
2017-10-28 cs.IR
Towards a Signal Detection Based Measure for Assessing Information Quality of Explainable Recommender Systems
本文提出一种基于信号检测理论的客观度量Veracity，通过Fidelity和Attunement两个维度评估可解释推荐系统解释内容的信息质量，并通过四组不同质量水平的案例验证了该度量的有效性。
2025-07-01 cs.HC 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
What Matters in Explanations: Towards Explainable Fake Review Detection Focusing on Transformers
Bonn-Rhein-Sieg University of Applied Sciences（波恩-莱茵-锡格应用科学大学）；University of Siegen（锡根大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出基于XLNet和DistilBERT的可解释虚假评论检测框架，结合LRP技术生成词级解释，并通过用户评估确定解释中最重要的信息。
2024-07-24 cs.CL cs.IR cs.SI
