MATRAG: Multi-Agent Transparent Retrieval-Augmented Generation for Explainable Recommendations
ACM
MATRAG通过多智能体协作与知识图谱增强检索，提升推荐系统的透明性和可解释性，实验表明其在准确率和可信度上均优于现有方法。
2026-02-11 cs.AI cs.IR
Transparent and Controllable Recommendation Filtering via Multimodal Multi-Agent Collaboration
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
本文提出一种结合端到云协作、多模态感知和多智能体编排的框架，有效减少推荐系统中的过度关联和误报，提升用户控制和透明度。
2026-04-19 cs.IR
Content-based feature exploration for transparent music recommendation using self-attentive genre classification
Seoul National University（首尔大学）
检索结果的解释是音乐推荐系统中的一个重要问题，特别是从用户的角度来看。在这项研究中，我们调查的方法提供可解释性的内容功能使用自我注意。我们使用在140，000首歌词上训练的自我关注流派分类模型提取歌词特征。同样，我们使用声学模型提取声学特征，其中自我注意力在120，000个声学信号的轨道上训练。实验结果表明，所提出的方法提供的特点是可解释的抒情和音乐的内容。我们通过可视化注意力权重以及呈现使用歌词或音频功能找到的最相似的歌曲来证明这一点。
2018-09-03 cs.IR cs.SD eess.AS
Large Language Models are Competitive Near Cold-start Recommenders for Language- and Item-based Preferences
University of Toronto（多伦多大学）；Google（谷歌）
本研究探索LLM在近冷启动场景下利用语言偏好进行推荐，实验证明其性能可与基于物品的协同过滤方法相媲美，且语言偏好表示更具可解释性。
2023-07-26 cs.IR cs.LG
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
Toward Explainability in Multimodal Recommendation
Jimei University（集美大学）；Nanyang Technological University（南洋理工大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文针对多模态推荐可解释性研究缺乏统一框架的问题，将现有方法分类并构建体系，综合评估指标与数据集，提出未来方向，为透明可信多模态推荐系统提供研究基础。
2026-10-14 cs.IR
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
Modelling Users with Item Metadata for Explainable and Interactive Recommendation
推荐系统被用于许多不同的应用和环境中，然而它们的主要目标总是可以被概括为“将相关内容连接到感兴趣的用户”。个性化推荐算法通过首先隐式或显式地构建用户的简档，然后将项目与此简档进行匹配以找到相关内容来实现此目标。配置文件和这种“匹配功能”的解释性越强，就越容易为用户提供准确和直观的解释，也越容易让他们与系统交互。事实上，对于用户来说，看到系统已经了解了关于她的兴趣的内容对于她向系统提供反馈并引导系统更好地理解她的偏好是至关重要的。为此，我们提出了一个线性的协同过滤推荐模型，建立用户简档内的项目元数据，这可以说是最可解释的域为最终用户的域。因此，我们的方法本质上是透明和可解释的。此外，由于推荐计算为项目元数据和可解释的用户简档的线性函数，我们的方法无缝地支持交互式推荐。换句话说，用户可以直接调整学习的配置文件的权重，以便根据他们当前的兴趣进行更细粒度的浏览和内容发现。我们展示了这个模型的互动方面，在比利时发现文化活动的在线应用程序。此外，该模型的性能进行评估与离线实验，静态和模拟反馈，并比较几个国家的最先进的和国家的实践基线。
2022-07-08 cs.IR
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
Improving Recommendation Relevance by simulating User Interest
Salesforce（赛富时）
大多数（如果不是所有的话）在线项目到项目推荐系统依赖于项目之间相似性的距离（排名）的估计。对于在线推荐系统，这种相似性度量的时间敏感性是非常重要的。我们观察到，建议“新近”可以直接和透明地保持迭代减少排名的非活动项目。本文简要总结了算法的发展基于这一自我解释的观察。这项工作背后的基本思想是在线推荐系统的专利。
2023-02-03 cs.IR cs.LG cs.NA
On Explaining Recommendations with Large Language Models: A Review
本文针对大语言模型用于生成推荐解释的方向开展系统综述，检索2022年11月至2024年11月相关文献后发现该领域研究仍处早期，梳理了现有方法与挑战并指出未来发展方向。
2025-01-17 cs.HC cs.IR
An Empirical Analysis on Transparent Algorithmic Exploration in Recommender Systems
UNIST（蔚山科学技术院）；Department of Computer Science and Engineering（计算机科学与工程学院）
所有用于推荐的学习算法都面临着在利用用户偏好的部分知识以获得短期满意度和探索其他用户偏好以获得长期覆盖之间不可避免的关键权衡。虽然探索是必不可少的推荐系统的长期成功，探索已被认为是降低用户满意度的风险。风险的原因是，选择用于探索的项目经常与用户的兴趣不匹配。为了减轻这种风险，推荐系统将选择用于探索的项目混合到推荐列表中，将项目伪装为推荐以引起对项目的反馈，从而发现用户的其他口味。这种混合方法已被广泛应用于许多广告商，但很少有研究，评估混合方法的有效性或提出一种新的方法来获得用户反馈而不欺骗用户。在这项工作中，我们的目标是提出一种新的方法，没有任何欺骗的反馈启发，并比较我们的方法与传统的混合方法进行评估。为此，我们设计了一个推荐界面，揭示了哪些项目是探索，并进行了主题内的研究与94 MTurk工人。我们的研究结果表明，用户留下了显着更多的反馈项目选择探索与我们的界面。此外，用户评价我们的新界面在新颖性，多样性，透明度，信任和满意度方面优于传统的混合界面。最后，路径分析表明，只有在我们的新界面，探索导致增加以用户为中心的评价指标。我们的工作为如何设计界面铺平了道路，该界面利用基于用户反馈信号的学习算法，提供更好的用户体验并收集更多反馈数据。
2021-08-12 cs.HC cs.IR cs.LG
Enhancing Recommendation Systems with GNNs and Addressing Over-Smoothing
Montclair State University（蒙特克莱尔州立大学）；Tulane University（杜兰大学）；Southwest Jiaotong University（西南交通大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出三种基于 GNN 的推荐模型，利用残差连接与恒等映射缓解深层网络的过度平滑问题，并结合协同过滤提升预测准确率、可解释性及对用户兴趣变化的适应能力。
2024-12-04 cs.IR cs.LG
Efficient Data Retrieval and Comparative Bias Analysis of Recommendation Algorithms for YouTube Shorts and Long-Form Videos
本研究开发高效数据收集框架，对比分析YouTube短视频与长视频推荐算法的差异及政治敏感话题偏差，为构建公平透明的推荐系统、践行负责任AI提供参考。
2025-07-29 cs.IR cs.SI
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado（科罗拉多大学）
随着这些系统在社会中变得越来越普遍，人工智能的算法公平性变得越来越重要。人工智能的一个领域，推荐系统，由于在优化用户的准确性和提供商的公平性之间进行权衡，因此对公平性提出了独特的挑战。但是，在建议的背景下，什么是公平的-特别是在有多个利益攸关方的情况下？在这个问题的初步探索，我们问用户他们的想法，公平对待的建议可能是，为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化，最终帮助设计更公平，更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
Explainable Recommendations at Scale: LLM Rationales for YouTube Music Artist Discovery
Google LLC（谷歌有限责任公司）
本文通过解耦架构离线预计算LLM理由说明，在YouTube Music上实现大规模可解释推荐，显著提升用户探索和参与度。
2026-09-22 cs.AI cs.IR
CityHood: An Explainable Travel Recommender System for Cities and Neighborhoods
本文提出 CityHood，结合 Google Places 评论与多维指标进行兴趣建模，在 CBSA 和 ZIP code 尺度提供由 LIME 与自然语言解释支持的城市及社区旅行推荐。
2025-07-24 cs.IR cs.SI
LettinGo: Explore User Profile Generation for Recommendation System
Microsoft Corporation（微软公司）；Peking University（北京大学）
LettinGo提出一种利用大语言模型和直接偏好优化生成多样自适应用户画像的框架，通过三阶段流程显著提升推荐准确性、灵活性与上下文感知能力。
2025-06-23 cs.AI cs.IR
Fairness and Transparency in Recommendation: The Users' Perspective
University of Colorado Boulder（科罗拉多大学博尔德分校）
虽然推荐系统是由个性化定义的，但最近的工作表明了额外的，超越准确性目标的重要性，例如公平性。由于用户通常希望他们的推荐是纯粹个性化的，这些新的算法目标必须在公平意识推荐系统中透明地传达。虽然解释在推荐系统研究中有很长的历史，但很少有工作试图解释使用公平目标的系统。尽管人工智能其他分支以前的工作已经探索了使用解释作为提高公平性的工具，但这项工作并没有集中在推荐上。在这里，我们认为公平意识推荐系统和技术，以提高其透明度的用户的观点。我们描述了一个探索性的访谈研究，调查用户的公平感，推荐系统，公平意识的目标的结果。我们提出了三个功能-通知我们的参与者的需求-可以提高用户的理解和信任的公平意识的推荐系统。
2021-03-16 cs.AI cs.HC cs.IR
ELIXIR: Learning from User Feedback on Explanations to Improve Recommender Models
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；IIT Bhilai（印度理工学院比莱校区）
系统提供的建议解释是实现透明和可信赖的AI的重要组成部分。然而，在最先进的研究中，这是一个单向信号，以提高用户的接受度。在本文中，我们把解释的作用，并调查他们如何有助于提高质量的建议本身。我们设计了一个人在环框架，称为ELIXIR，用户反馈的解释是利用成对学习的用户偏好。ELIXIR利用对推荐和解释的反馈来学习用户特定的潜在偏好向量，通过基于项目相似性的邻域的标签传播来克服稀疏性。我们的框架实例化使用广义图推荐通过随机游走与重启。一个真实的用户研究的有见地的实验表明，在项目级反馈的电影和书籍推荐显着改善。
2021-04-30 cs.AI cs.IR cs.LG
Help Me Find a Job: A Graph-based Approach for Job Recommendation at Scale
在线招聘是现代招聘行业的核心组成部分之一。每天都有数百万求职者浏览招聘信息，因此比以往任何时候都更需要准确、有效、有意义和透明的职位推荐。虽然推荐系统通过创造社会和商业价值在各种在线领域成功地发展，但工作推荐领域的探索较少。现有的系统主要集中在简历和职位描述的内容分析上，严重依赖于语义分析和内容建模的准确性和覆盖率，在这种情况下，它们最终通常遭受刚性和缺乏隐含的语义关系，这些语义关系是从用户的行为中发现的，并且可以通过协同过滤（CF）方法来捕获。很少有利用CF的作品没有解决现实世界系统的可扩展性挑战和冷启动问题。在本文中，我们提出了一个可扩展的基于项目的推荐系统的在线工作推荐。我们的方法克服了稀疏性和可扩展性的主要挑战，利用一个有向图的多边缘连接的工作，代表各种行为和上下文的相似性信号。系统中项目（作业）的短暂存在以及新用户和作业进入系统的快速速度使得冷启动成为阻碍CF方法的严重问题。我们通过利用深度学习的力量以及用户行为来解决这个问题，以提供混合推荐。我们的技术已经被CareerBuilder.com所利用，该网站是世界上最大的求职网站之一，为数百万用户提供高质量的推荐。
2018-01-01 cs.IR cs.SI
Toward User Preference Alignment in LLM Recommendation via Explicit Context Feedback
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Meta
本文主张在基于大语言模型的推荐系统中优先利用显式上下文反馈（如评论文本）来对齐用户偏好，提升推荐的个性化和可解释性。
2026-05-27 cs.AI cs.IR
Transparency, Privacy, and Fairness in Recommender Systems
本文从透明度与认知模型、隐私与有限偏好信息、公平性与流行度偏差三方面系统研究推荐系统的可信性问题，并提出心理学启发的设计方法、基于邻域重用的差分隐私协同过滤方案，以及基于智能体建模的长期公平性分析。
2024-06-28 cs.IR
Exploring the Impact of Large Language Models on Recommender Systems: An Extensive Review
Santa Clara University（圣克拉拉大学）；Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
该综述系统考察了大语言模型在推荐系统中的核心作用，强调其推理能力带来的范式转变，并总结了优势与现存挑战。
2024-03-19 cs.AI cs.IR
Editable User Profiles for Controllable Text Recommendation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
提出LACE概念值瓶颈模型，以可编辑用户画像实现可控文本推荐，并通过离线与用户研究验证其推荐质量与可控性。
2023-10-16 cs.CL cs.HC cs.IR
Transparent by Design, Usable in Practice? A Formative Usability Study of a Conversational Product Advisor
GESIS – Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）
研究对话式产品顾问的可用性，通过对含受限自然语言生成等功能的笔记本搜索聊天机器人进行研究，发现设计透明不保证理解，排名解释有严重问题，参与者虽看重省力但希望有更多直接操作控件，贡献了可用性问题及设计建议。
2026-07-24 cs.HC cs.IR
LLM4Rec: Large Language Models for Multimodal Generative Recommendation with Causal Debiasing
Department of Software \& Microelectronics Peking University Beijing, China；Department of Software \& Microelectronics Peking University Beijing, China hangli\；Department of Software \& Microelectronics Peking University Beijing, China zehua\；Department of Software \& Microelectronics Peking University Beijing, China xiaofan\；Economic Law School China University of Political Science；Peking University Changsha, China
针对生成式推荐在多模态处理、去偏及透明度问题，提出含五项创新的LLM4Rec框架，以大语言模型为骨干集成多专用模块，在三个基准数据集上实现准确率、公平性、多样性提升且保持计算效率。
2025-10-02 cs.AI cs.CL cs.IR
BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by Eliminating Ideological Segregation in Knowledge-based Recommendations
Auckland University of Technology（奥克兰理工大学）；University of Tasmania（塔斯马尼亚大学）；University of Technology Sydney（悉尼科技大学）
本文提出中介模型BHEISR，通过助推理论和用户反馈循环缓解推荐系统中的过滤气泡效应，实验证明其能有效平衡用户信念并提升推荐多样性。
2023-07-06 cs.AI cs.IR
Towards Explainable Temporal User Profiling with LLMs
DePaul University（德保罗大学）；Delft University of Technology（代尔夫特理工大学）
本研究利用LLM生成用户交互历史的自然语言摘要，通过预训练模型编码并结合注意力机制动态融合短期与长期偏好，在提升推荐准确率的同时实现了可解释的时序用户画像。
2025-05-01 cs.AI cs.IR
ELIXIR: Efficient and LIghtweight model for eXplaIning Recommendations
Sorbonne University, CNRS, ISIR（索邦大学、国家科学研究中心、信息科学研究所）
针对推荐系统可解释性不足及现有文本解释生成方法的缺陷，提出结合评分预测与个性化评论生成的多任务轻量模型ELIXIR，在小模型规模下实现了更优的个性化解释效果。
2025-09-05 cs.CL cs.IR cs.LG
Effectiveness of LLMs in Temporal User Profiling for Recommendation
DePaul University, USA（德保罗大学）；Delft University of Technology, Netherlands（代尔夫特理工大学）
本文研究了大语言模型在时间用户画像中的有效性，发现其在用户活跃度高的领域表现更好，但计算成本较高，且在不同领域中效果存在差异。
2025-10-31 cs.AI cs.IR
Trust by Design: Skill Profiles for Transparent, Cost-Aware LLM Routing
Georgia Institute of Technology（佐治亚理工学院）
BELLA框架通过基于技能的可解释方法，为LLM路由提供透明、成本感知的最优模型选择方案，帮助从业者在性能与成本间做出合理权衡。
2026-02-02 cs.AI cs.IR cs.LG
Personalised novel and explainable matrix factorisation
Free University of Bolzano（博尔扎诺自由大学）
推荐系统向个人提供个性化建议，以帮助他们进行决策和探索任务。在理想的情况下，这些建议，除了是准确的，还应该是新颖的和可解释的。然而，到目前为止，大多数平台都无法提供这两种新颖的建议，这些建议可以促进用户的探索，同时提供解释，使他们的推理对他们更加透明。例如，一个众所周知的推荐算法，如矩阵分解（MF），只优化准确性标准，而忽略其他质量标准，如可解释性或新颖性，推荐项目。在本文中，据我们所知，我们提出了一个新的模型，表示为NEMF，允许权衡MF性能的标准的新颖性和可解释性，而只有最低限度地损害准确性。此外，我们建议一个新的可解释性指标的基础上nDCG，区分一个更可解释的项目从一个不太可解释的项目。最初的用户研究表明，用户如何感知这些“用户”风格的解释和我们广泛的实验结果表明，我们达到了高精度推荐也新颖和可解释的项目的不同属性。
2019-07-25 cs.HC cs.IR cs.LG
An Interpretable Alternative to Neural Representation Learning for Rating Prediction -- Transparent Latent Class Modeling of User Reviews
NEC Labs Europe（欧洲 NEC 实验室）；University of Birmingham（伯明翰大学）；Goethe University Frankfurt（法兰克福大学）；SUSTech（南方科技大学）
本文针对推荐系统中神经表示学习黑箱化问题，提出基于评论文本对用户与产品潜类别进行拓扑组织的透明概率模型，并证明其在评分预测上可取得具竞争力的性能与更强可解释性。
2024-07-02 cs.AI cs.IR cs.LG
RecExplainer: Aligning Large Language Models for Explaining Recommendation Models
University of Science and Technology of China（中国科学技术大学）；Microsoft Research Asia（微软亚洲研究院）
针对黑盒推荐模型缺乏透明度的问题，本文提出RecExplainer框架，通过三种对齐方法让大语言模型作为代理模拟推荐模型行为，生成高保真可定制的自然语言解释，在三个公开数据集上验证了效果。
2024-06-22 cs.AI cs.IR
Collaborating with Users in Proximity for Decentralized Mobile Recommender Systems
通常，来自任何领域的推荐系统，无论是电影、音乐、餐馆等，以集中的方式组织起来。服务提供商拥有所有的数据，推荐算法中的偏见对用户来说并不透明，并且服务提供商经常产生锁定效应，使得用户不方便切换提供商。在本文中，我们认为，用户的智能手机已经拥有了大量的数据，输入到典型的推荐系统的电影，音乐，或POI。随着智能手机和其他用户在公共场所或公共交通工具中的无处不在，数据可以以设备到设备的方式直接在用户之间交换。通过这种方式，每个智能手机都可以建立自己的数据库并计算自己的推荐。这种系统的好处之一是，它不限于只为一个用户推荐-特设组推荐也是可能的。虽然这样的平台的基础设施已经存在-智能手机已经在用户的手掌-有关于移动推荐系统平台以及其推荐算法的挑战。在本文中，我们提出了一个移动架构所描述的系统-包括数据汇集，数据交换和推荐系统-并强调其挑战和机遇。
2019-06-07 cs.IR cs.SI
Toward a traceable, explainable, and fairJD/Resume recommendation system
Polytechnique Montréal（蒙特利尔工程学院）
在过去的几十年里，公司有兴趣在国际招聘环境中采用在线自动化招聘流程。问题是，通过手工程序招聘员工是一个耗时耗钱的过程。因此，通过传统方法处理大量申请可能导致招募笨拙的个人。不同的JD/Resume匹配模型架构已经被提出，并揭示了在选择所需职位的相关候选人时的高准确度。然而，开发自动征聘系统仍然是主要挑战之一。原因是开发一个完全自动化的征聘系统是一项艰巨的任务，并提出了不同的挑战。例如，需要为目标利益相关者提供详细的匹配解释，以确保透明的建议。有几个代表技能和能力的知识库（例如，技能，O*NET），用于识别候选人和所需的工作技能，以达到匹配的目的。此外，现代预先训练的语言模型针对该上下文进行了微调，例如识别引入特定特征的行。通常，预先训练的语言模型使用基于迁移的机器学习模型来针对特定领域进行微调。在这个建议中，我们的目的是探索如何现代语言模型（基于Transformers）可以与知识库和本体相结合，以提高JD/简历匹配过程。我们的系统旨在使用知识库和功能来支持JD/简历匹配的可解释性。最后，考虑到多个软件组件，数据集，本体和机器学习模型将被探索，我们的目标是提出一个公平的，可解释的，可追溯的架构，用于简历/JD匹配的目的。
2022-02-02 cs.AI cs.IR cs.LG
How Does Empowering Users with Greater System Control Affect News Filter Bubbles?
LinkedIn Corporation（领英公司）；Tulane University（杜兰大学）；Illinois Institute of Technology（伊利诺伊理工学院）
研究探讨赋予用户更大系统控制权对新闻过滤气泡的影响，设计增强界面的政治新闻推荐系统，通过用户研究发现该系统虽提高了用户对过滤气泡的认知，但对新闻消费的影响因用户偏好呈现异质性。
2026-07-20 cs.AI cs.IR
AgenticRAG: Tool-Augmented Foundation Models for Zero-Shot Explainable Recommender Systems
Department of Software \& Microelectronics Peking University Beijing, China；Department of Software \& Microelectronics Peking University Beijing, China hangli\；Department of Software \& Microelectronics Peking University Beijing, China zehua\；Department of Software \& Microelectronics Peking University Beijing, China xiaofan\；Economic Law School China University of Political Science；School of Computer Science Peking University Beijing, China
针对基础模型在推荐系统中推理不透明、知识受限的问题，提出融合工具增强、检索增强与思维链的AgenticRAG框架，零样本下实现可解释推荐，在三个真实数据集上NDCG@10均优于现有基线且效率可比。
2025-10-03 cs.AI cs.IR
TrueLearn: A Family of Bayesian Algorithms to Match Lifelong Learners to Open Educational Resources
University College London（伦敦大学学院）
计算机辅助学习系统的最新进展和今天开放教育资源的可用性，为广大学习者提供了一条具有成本效益的高质量教育的途径。计算机辅助学习最雄心勃勃的用例之一是建立终身学习推荐系统。与短期课程不同，终身学习提出了独特的挑战，需要复杂的推荐模型，这些模型考虑了广泛的因素，如学习者的背景知识或材料的新颖性，同时有效地保持大量学习者的知识状态，持续更长的时间（理想情况下，一生）。这项工作为建立一个动态，可扩展和透明的教育推荐系统奠定了基础，以开放教育资源的形式从隐式数据中建模学习者的知识。我们i）使用基于维基百科的文本本体自动提取教育资源的知识成分，ii）提出了一套在线贝叶斯策略的启发，著名的领域的项目反应理论和知识追踪。我们的建议，TrueLearn，专注于学习者有足够的背景知识（因此他们能够理解并从材料中学习）的建议，并且材料具有足够的新颖性，可以帮助学习者提高他们对主题的知识并保持他们的参与。我们进一步构建了一个大型的开放式教育视频讲座数据集，并测试了所提出的算法的性能，这表明了建立一个有效的教育推荐系统的明确承诺。
2019-11-21 cs.AI cs.IR cs.LG
Justification vs. Transparency: Why and How Visual Explanations in a Scientific Literature Recommender System
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文在科学文献推荐系统RIMA中，基于HCD方法和What-Why-How框架设计并实现“为什么”与“如何”两类视觉解释，通过用户研究证实解释可理解性类型的选择取决于解释目标与用户类型。
2023-05-26 cs.AI cs.HC cs.IR
Is Serving-Time Language-Model Inference Necessary for Recommendation? Evidence from Generative and Agentic Settings
Hunan University（湖南大学）；Dalian University of Technology（大连理工大学）；Tongji University（同济大学）；University of Chinese Academy of Sciences（中国科学院大学）；Xinjiang College of Science & Technology（新疆科技学院）；Beihang University（北京航空航天大学）
本研究提出轻量级可审计恢复测试LIME-Rec，结合三类专家模型在三个Amazon数据集上验证语义推荐增益源于真实物品-文本对应，为序列推荐的语义增益归因提供了透明方法。
2026-10-20 cs.AI cs.IR
Who's Who: Large Language Models Meet Knowledge Conflicts in Practice
VinAI Research（VinAI研究院）；Nanyang Technological University（南洋理工大学）
本文提出WhoQA基准数据集，通过同名实体属性问题诱发知识冲突，评估大语言模型在RAG场景下面对冲突信息时的表现，发现知识冲突会显著降低模型性能。
2024-10-21 cs.AI cs.CL cs.IR
