COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University(罗格斯大学);HPI/University of Potsdam(波茨坦大学哈索·普拉特纳研究院)
在这项工作中,我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的,通过集成用户代理对话和自定义知识图谱进行推荐。具体来说,我们首先构建一个统一的知识图谱,并提取用户-产品对之间的关键实体,作为对话的骨架。然后,我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明,我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
Fairness-Aware Explainable Recommendation over Knowledge Graphs
Rutgers University(罗格斯大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Washington(华盛顿大学)
最近,人们越来越关注公平性的考虑,特别是在智能决策系统的背景下。特别是可解释的推荐系统,可能会受到解释偏差和性能差异的影响。在本文中,我们分析了不同群体的用户,根据他们的活动水平,发现不同群体之间的推荐性能存在偏见。我们表明,不活跃的用户可能更容易收到不满意的建议,由于不活跃的用户的训练数据不足,他们的建议可能会有偏见的培训记录更活跃的用户,由于协同过滤的性质,这导致系统的不公平待遇。我们提出了一个公平性约束的方法,通过启发式重新排名,以减轻这种不公平的问题,在知识图谱的背景下,可解释的建议。我们在几个真实世界的数据集上进行实验,使用最先进的基于知识图谱的可解释推荐算法。实验结果表明,该算法不仅能够提供高质量的可解释推荐,而且在多个方面降低了推荐的不公平性。
2020-06-28 cs.AI cs.IR cs.SI
Ripple Knowledge Graph Convolutional Networks For Recommendation Systems
Nagoya University(名古屋大学);Deakin University(迪肯大学);University of South Australia(南澳大学);Hiroshima University(广岛大学)
针对推荐系统的效果提升问题,提出结合用户端与物品端知识图的RKGCN模型,动态分析用户偏好以丰富表征,在三个真实数据集上优于5个基线模型。
2024-04-10 cs.AI cs.IR cs.LG
Att-KGCN: Tourist Attractions Recommendation System by using Attention mechanism and Knowledge Graph Convolution Network
Ibb University(伊卜大学);Shaanxi Normal University(陕西师范大学)
针对旅游领域景点属性筛选复杂的推荐问题,提出融合注意力机制的Att-KGCN模型,可自动发现景点语义邻域并聚合相似地点,基于也门索科特拉岛数据验证了其推荐效果的优越性。
2023-07-03 cs.AI cs.GR cs.IR
Semantic Modeling for Food Recommendation Explanations
Rensselaer Polytechnic Institute(伦斯勒理工学院)
随着越来越多地使用人工智能方法来提供健康方面的建议,特别是在食物饮食建议领域,也越来越需要这些建议的可解释性。这种解释将使推荐系统的用户受益,使他们有理由遵循系统的建议。我们提出的食品解释本体(FEO),提供了一个形式主义的建模解释给用户的食品相关的建议。FEO对食物推荐进行建模,使用来自解释域的概念来创建对用户从AI系统(如个性化知识库问答系统)收到的关于食物推荐的问题的回答。FEO使用模块化、可扩展的结构,可用于各种解释,同时仍保留重要的语义细节,以准确地表示食物推荐的解释。为了评估这个系统,我们使用了一组能力问题,来自文献中的解释类型,是相关的食品建议。我们使用FEO的动机是让用户能够做出关于他们健康的决定,充分了解AI推荐系统,因为它们与用户问题有关,通过解释的形式提供建议背后的推理。
2021-05-04 cs.AI
Skill-based Explanations for Serendipitous Course Recommendation
本文提出基于深度学习的概念提取模型,并在偶遇式课程推荐框架中引入技能解释,通过AskOski系统验证其能提升用户兴趣与决策信心。
2025-08-27 cs.AI
Learning to Counterfactually Explain Recommendations
ByteDance(字节跳动)
推荐系统从业者面临着越来越大的压力来解释推荐。我们探索如何使用反事实逻辑来解释建议,即“如果您没有与以下项目交互,我们不会推荐它。“与传统的解释逻辑相比,反事实解释更容易理解,技术上更可验证,并且在让用户控制推荐方面更具信息性。生成这种解释的主要挑战是计算成本,因为它需要反复重新训练模型,以获得由于缺乏用户历史而导致的推荐效果。我们提出了一个基于学习的框架,以产生反事实的解释。其核心思想是训练一个代理模型,以了解删除用户历史子集对推荐的影响。为此,我们首先在删除历史子集后人工模拟建议的反事实结果。然后我们训练一个代理模型来学习历史删除和由删除引起的推荐的相应变化之间的映射。最后,为了生成解释,我们找到最有可能删除推荐的代理模型预测的历史子集。通过离线实验和在线用户研究,我们表明,我们的方法相比,基线,可以生成更反事实有效,更令人满意的用户认为的解释。
2023-02-08 cs.AI
Nudging Sustainable Choices through LLM-Generated Recommendation Explanations
Paderborn University(帕德博恩大学);University of Klagenfurt(克拉根福大学)
研究通过大语言模型生成推荐解释,探讨不同可持续性信息框架对用户选择和认知的影响。在速溶咖啡和酒店预订领域进行随机研究,发现框架构建或援引规范能增加可持续选择,虽认知与行为有差异,但为社会公益干预提供实践方向。
2026-07-31 cs.AI
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
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
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
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
EGCR: Explanation Generation for Conversational Recommendation
University of Washington(华盛顿大学)
会话式推荐系统(CRS)作为一种基于会话、面向任务的推荐工具,能够提供用户感兴趣的内容,探索用户的偏好,受到了越来越多的关注。然而,现有的工作在CRS未能明确地显示推理逻辑的用户和整个CRS仍然是一个黑箱。因此,我们提出了一个新的端到端的框架命名为会话推荐(EGCR)的基础上产生的解释会话代理解释,解释他们为什么要采取行动。EGCR结合了用户评论,以增强项目表示,并增加整个对话的信息量。据我们所知,这是第一个在真实世界数据集上进行可解释会话推荐的框架。此外,我们在一个基准会话推荐数据集上评估EGCR,并在推荐准确性和会话质量方面取得了比其他最先进的模型更好的性能。最后,大量的实验表明,生成的解释不仅具有高质量和可解释性,而且使CRS更值得信赖。我们将提供我们的代码,为CRS社区做出贡献
2022-08-18 cs.AI cs.CL
Counterfactually Evaluating Explanations in Recommender Systems
ByteDance(字节跳动)
现代推荐系统面临着越来越多的需要解释他们的建议。尽管在这一领域取得了相当大的进展,但评估解释的质量仍然是研究人员和从业人员面临的重大挑战。以往的研究主要是通过人工研究来评价解释的质量,这通常是昂贵的,耗时的,并且容易受到人为的偏见。在本文中,我们提出了一种离线评估方法,可以计算没有人的参与。为了评估一个解释,我们的方法量化了它对推荐的反事实影响。为了验证我们的方法的有效性,我们进行了在线用户研究。我们表明,与传统的方法相比,我们的方法可以产生更相关的评价分数与真实的人类的判断,因此可以作为一个更好的代理人的评价。此外,我们表明,具有高评价分数的解释被人类认为是更好的。我们的研究结果强调了使用反事实方法作为评估推荐解释的一种可能方式的有希望的方向。
2022-11-17 cs.AI
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
UCEpic: Unifying Aspect Planning and Lexical Constraints for Generating Explanations in Recommendation
University of California, San Diego(加州大学圣地亚哥分校)
本文提出 UCEpic,通过基于插入的生成框架统一方面规划与词汇约束,并结合鲁棒预训练和个性化参考,显著提升 RateBeer、Yelp 上推荐解释的多样性与信息量。
2023-06-03 cs.AI cs.CL
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
Beyond Factual Correctness: Mitigating Preference-Inconsistent Explanations in Explainable Recommendation
本文提出PURE框架,通过选择-生成范式缓解推荐中因偏好不一致导致的解释问题,提升解释可信度与推荐准确性。
2026-05-07 cs.AI
xLightGCN: Explainable Graph Neural Network Based Recommendation Systems with Most Influential Peers
University of Waterloo(滑铁卢大学)
本文提出基于LightGCN架构的xLightGCN,为推荐系统提供可解释且保真的图基解释方法,以解决黑箱模型可信度不足的问题。
2026-10-14 cs.AI
GPT as a Baseline for Recommendation Explanation Texts
Cornell University(康奈尔大学)
本文以GPT为基线研究电影推荐解释文本,发现用户对未看电影的评分无显著差异,但更认可已看电影的评论,证明LLM是生成推荐解释的有前途来源。
2023-09-16 cs.AI cs.HC
Towards Generating Robust, Fair, and Emotion-Aware Explanations for Recommender Systems
University of Washington(华盛顿大学);Rutgers University(罗格斯大学)
随着推荐系统变得越来越复杂,它们往往缺乏公平性和透明度。为推荐提供可靠和公正的解释已经引起了越来越多的关注,因为它可以帮助解决这些问题,提高推荐系统的可信度和信息量。然而,尽管这样的解释是为对具有适当情绪的消息做出更强烈响应的人生成的,但是在生成对推荐的解释时缺乏对情绪的考虑。目前的解释生成模型被发现夸大了某些情绪,而没有准确地捕捉潜在的语气或含义。在本文中,我们提出了一种新的方法的基础上,多头Transformer,称为解释性推荐(解释器),以产生更强大的,公平的,和情感增强的解释,具有解释意识的Transformer。为了衡量生成的解释的语言质量和情感公平性,我们采用自动文本度量和人类感知进行评估。在三个广泛使用的基准数据集上进行的实验表明,在文本质量、可解释性和对情感分布的公平性的考虑方面,CRAMTER始终优于现有的最先进的解释生成模型。将作为支持进一步研究的开放源码工具包发布该工具包的执行情况。
2022-08-17 cs.AI
Explaining Process Control Optimisation Recommendations via GradientSHAP and Implicit Differentiation
University of Strathclyde(斯特拉斯克莱德大学);Weir(威尔)
针对工业过程控制优化中算法设计者与操作员的信任问题,提出结合隐函数定理灵敏度分析、SHAP归因及大语言模型叙述生成的方法,在HPGR控制优化问题上实现等效SHAP归因且加速超40倍,能实时生成自然语言解释。
2026-07-17 cs.AI
Less or More: Towards Glanceable Explanations for LLM Recommendations Using Ultra-Small Devices
Purdue University(普渡大学);Meta Reality Labs(元宇宙实验室);University of California San Diego(加利福尼亚大学圣迭戈分校)
本研究针对超小型设备上LLM推荐解释的冗长问题,探索了结构化与时间自适应解释方法,发现结构化解释能减少用户认知负担但满意度较低,并提出了设计启示。
2025-02-26 cs.AI cs.HC
Path-based summary explanations for graph recommenders (extended version)
Archimedes/Athena RC(阿基米德/雅典娜研究中心);University of Ioannina(约阿尼纳大学)
针对现有图推荐路径解释多聚焦个体推荐的局限,提出基于斯坦纳树等高效图算法的摘要解释方法,可生成精简且保信息的集体行为解释,多维度质量优于基线方法。
2024-12-07 cs.AI
Neutralizing Popularity Bias in LLM-based Recommendation via Counterfactual Reasoning Guidelines
Nanjing University(南京大学)
针对大语言模型推荐中的流行度偏差,提出模型无关框架NPRec,通过反事实细化生成去偏文本指南,在推理时引导模型,无需参数更新,在三个数据集上提升了推荐准确性、解释质量和去偏能力。
2026-09-09 cs.AI
Context-Aware Visualization for Explainable AI Recommendations in Social Media: A Vision for User-Aligned Explanations
Newcastle University(纽卡斯尔大学)
针对社交媒体AI推荐解释通用、未对齐用户需求的问题,提出首个在单一流水线中同时适配解释风格和粒度的上下文感知可视化解释系统,将通过30名X用户的公开试点验证其对决策和信任的影响。
2025-08-01 cs.AI cs.HC cs.LG
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
Comparative Explanations of Recommendations
University of Virginia(弗吉尼亚大学);Alibaba Group(阿里巴巴集团)
由于推荐本质上是一个比较(或排名)过程,因此一个好的解释应该向用户说明为什么一个项目被认为比另一个项目更好,即,对推荐项目的比较说明。理想情况下,在阅读解释后,用户应该达到与系统相同的项目排名。不幸的是,很少有研究注意到这种比较的解释。在这项工作中,我们开发了一个提取和细化架构来解释一组排名项目从推荐系统之间的相对比较。对于每个推荐项目,我们首先从相关评论中提取一个句子,最适合与一组参考项目进行所需的比较。然后,通过生成模型将该提取的句子进一步与目标用户相连接,以更好地解释为什么推荐该项目。我们设计了一个新的解释质量指标的基础上BLEU指导提取和细化组件的端到端的训练,这避免了通用内容的生成。对两个大型推荐基准数据集和一系列最先进的可解释推荐算法的认真用户研究的广泛离线评估表明了比较解释的必要性和我们解决方案的有效性。
2022-04-25 cs.AI cs.CL cs.IR
Explaining the (Not So) Obvious: Simple and Fast Explanation of STAN, a Next Point of Interest Recommendation System
LTCI, Télécom Paris(法国电信学院 LTCI);Institut Polytechnique de Paris(巴黎综合理工学院)
针对下一个兴趣点推荐系统STAN,提出结合其协同过滤与序列预测特性的简单快速可解释方案,可通过用户相似性、关键时间步解释结果并辅助调试输出。
2024-10-04 cs.AI cs.IR cs.LG
Visualization for Recommendation Explainability: A Survey and New Perspectives
University of Duisburg-Essen(杜伊斯堡-埃森大学);National University of Sciences and Technology(国家科技大学)
本文从解释目标、范围、风格和格式四个维度全面综述了推荐系统中的视觉解释研究,提出了设计指导原则,并指出了未来研究方向,以助力研究者系统设计视觉解释。
2024-06-05 cs.AI cs.HC cs.IR
Explanations, Fairness, and Appropriate Reliance in Human-AI Decision-Making
University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Bayreuth(拜罗伊特大学);Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所)
本研究探究基于特征的解释如何影响AI辅助决策的分配公平性,发现解释影响公平感知和依赖,但无法帮助辨别建议正确性,且可能强化或削弱刻板印象错误,表明其非可靠公平机制。
2024-03-18 cs.AI cs.HC
Personalized Showcases: Generating Multi-Modal Explanations for Recommendations
UC San Diego(加州大学圣地亚哥分校)
针对现有推荐解释模型内容单一的问题,提出个性化展示任务,通过选择个性化图像集并生成自然语言解释,构建多模态框架并利用对比学习生成多样化且视觉对齐的解释。
2023-04-06 cs.AI cs.CV 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
On Faithfulness and Coherence of Language Explanations for Recommendation Systems
University of California, San Diego(加州大学圣迭戈分校)
评论包含丰富的信息,产品的特点和用户的兴趣,因此通常用于提高推荐系统的性能。具体来说,以前的工作表明,共同学习执行审查生成提高评级预测性能。同时,这些模型生成的评论作为推荐解释,为用户提供预测评级的见解。然而,尽管现有的模型可以生成流畅的、类似人类的评论,但目前还不清楚这些评论在多大程度上充分揭示了联合预测评级背后的基本原理。在这项工作中,我们进行了一系列的评估,探测国家的最先进的模型和他们的审查生成组件。我们发现,所产生的解释是脆弱的,需要进一步的评估,然后才被视为字面上的理由估计评级。
2022-09-12 cs.AI cs.CL cs.IR
Explainable Recommendation via Multi-Task Learning in Opinionated Text Data
University of Virginia(弗吉尼亚大学)
解释自动生成的建议允许用户做出关于使用哪些结果的更明智和准确的决定,从而提高他们的满意度。在这项工作中,我们开发了一个多任务学习解决方案,可解释的建议。两个同伴学习任务的用户偏好建模的推荐}和\textit {固执己见的内容建模的解释是通过一个联合张量分解集成。结果,该算法不仅预测用户对项目列表的偏好,即,推荐,而且还包括用户将如何欣赏特征级别的特定项目,即,自以为是的文字解释。在两个大型的亚马逊和Yelp评论集合上进行的大量实验证实了我们的解决方案在推荐和解释任务中的有效性,与现有的几种推荐算法相比。我们广泛的用户研究清楚地证明了我们算法生成的可解释建议的实用价值。
2018-06-10 cs.AI cs.IR
The Problem of Coherence in Natural Language Explanations of Recommendations
Short Affiliation of First Author(第一作者所属的简短机构);Short Affiliation of Second Author and Third Author(第二和第三作者所属的简短机构)
本文针对推荐自然语言解释与预测评分缺乏连贯性的问题,提出自动连贯性评估方法和一种基于 transformer 的解释生成方法,实验证明其可显著提升连贯性且不损害推荐性能。
2025-03-18 cs.AI cs.CL cs.IR
Logic-Scaffolding: Personalized Aspect-Instructed Recommendation Explanation Generation using LLMs
University of Pittsburgh(匹兹堡大学);AWS AI Labs(AWS AI 实验室);Amazon(亚马逊);University of California Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出Logic-Scaffolding框架,结合基于方面的解释与思维链提示,通过中间推理步骤提升大语言模型零样本推荐解释的可靠性,并展示交互式演示。
2024-01-17 cs.AI cs.CL cs.HC
Unlocking the Potential of Large Language Models for Explainable Recommendations
University of Science and Technology of China(中国科学技术大学)
提出LLMXRec两阶段框架,通过参数高效指令调优和个性化提示技术实现推荐模型与LLM的协作,生成可控流畅解释,实验验证其有效性并开源代码。
2024-01-03 cs.AI cs.IR
Hybrid Deep Embedding for Recommendations with Dynamic Aspect-Level Explanations
Sichuan University(四川大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
可解释性推荐还远未得到很好的解决,部分原因在于三个挑战。第一种是偏好学习的个性化,这要求不同的项目/用户对用户偏好或项目质量的学习有不同的贡献。二是动态解释,这对建议解释的及时性至关重要。最后一个是解释的粒度。在实践中,方面级的解释比项目级或用户级的更有说服力。在本文中,为了同时解决这些挑战,我们提出了一种新的模型,称为混合深度嵌入(HDE),用于基于方面的可解释建议,可以使用动态方面级解释进行建议。HDE的主要思想是通过融合从评论中提取的动态隐式反馈和关注的用户-项目交互,学习用于评分预测的用户和项目的动态嵌入以及用于生成方面级解释的动态潜在方面偏好/质量向量。特别地,由于自动学习用户/项目的方面偏好/质量,HDE能够捕获在用户或项目的评论中未提及的方面的影响。在真实数据集上进行的大量实验验证了HDE的推荐性能和可解释性。我们工作的源代码可以在\url{https://github.com/lola63/HDE-Python}上找到
2020-01-18 cs.AI cs.IR cs.LG
A Series of Unfortunate Counterfactual Events: the Role of Time in Counterfactual Explanations
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学)
反事实解释是可解释人工智能研究领域中事后可解释性方法的一个突出例子。它们为个人提供了替代方案和一组建议,以实现广受欢迎的机器学习模型结果。最近,文献已经确定了必要的反事实解释,如可行性,可诉性和稀疏性,应该支持其在现实世界中的适用性。然而,我们发现,文献忽略了反事实解释的时间依赖性的问题。我们认为,由于他们的时间依赖性,因为提供的建议,即使是可行的,可操作的和稀疏的反事实的解释可能不适合在现实世界中的应用。这是由于我们所说的“不幸的反事实事件”的可能出现。“这些事件可能是由于机器学习模型的重新训练而发生的,这些模型的结果必须通过反事实解释来解释。一系列不幸的反事实事件挫败了那些成功实施反事实解释建议的个人的努力。这对人们对机构提供机器学习支持决策的能力产生了负面影响。我们介绍了一种方法来解决这个问题的出现不幸的反事实事件,利用历史的反事实的解释。在本文的最后一部分,我们提出了两个不同的策略,以应对不幸的反事实事件的挑战的伦理分析。我们表明,他们回应了道德上负责的必要性,以保持信用贷款组织的可信度,他们采用的决策模型,以及信用贷款的社会经济功能。
2021-01-18 cs.AI
GREASE: Generate Factual and Counterfactual Explanations for GNN-based Recommendations
Stony Brook University(石溪大学);Sapienza University of Rome(罗马第一大学);The Xi’an Jiaotong-Liverpool University(西交利物浦大学);Rutgers University(罗格斯大学);South China Normal University(华南师范大学)
最近,图神经网络(GNNs)已被广泛用于开发成功的推荐系统。虽然功能强大,但基于GNN的推荐系统很难附加具体的解释,说明为什么特定的项目最终出现在给定用户的建议列表中。事实上,解释基于GNN的建议是独特的,现有的GNN解释方法是不合适的,原因有两个。首先,传统的GNN解释方法是为节点、边或图分类任务而设计的,而不是像推荐系统中那样进行排名。其次,标准的机器学习解释通常旨在支持熟练的决策者。相反,建议是为任何最终用户设计的,因此应以用户可理解的方式提供解释。在这项工作中,我们提出了GREASE,一种新的方法来解释任何黑盒GNN推荐系统提供的建议。具体来说,GREASE首先在目标用户-项目对及其$l$跳邻域上训练代理模型。然后,它产生的事实和反事实的解释,通过寻找最佳的邻接矩阵扰动捕获的充分和必要条件的一个项目被推荐,分别。在真实数据集上进行的实验结果表明,GREASE可以为流行的基于GNN的推荐模型生成简洁有效的解释。
2022-08-04 cs.AI cs.IR cs.LG
The Lifecycle of LLM-as-a-Judge for Large-Scale Recommendation Explanations
Netflix(网飞公司)
该研究提出用于Netflix大规模推荐解释评估的LLM评判模型生命周期框架,经五周A/B测试证实,其对齐的解释可提升会员对新颖内容的观看及浏览到播放会话量。
2026-09-02 cs.AI
WeMusic-Agent: Efficient Conversational Music Recommendation via Knowledge Internalization and Agentic Boundary Learning
WeMusic-Agent通过知识内化和代理边界学习,实现高效对话音乐推荐,提升个性化和多样性。
2025-12-18 cs.AI
Fidelity-Aware Recommendation Explanations via Stochastic Path Integration
SPINRec通过概率路径积分技术提升推荐系统解释的保真度,通过随机基线采样实现更稳定和个性化的解释,建立了新的可解释性基准。
2025-11-22 cs.AI cs.IR cs.LG
SoREX: Towards Self-Explainable Social Recommendation with Relevant Ego-Path Extraction
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学 Gallagher人工智能学院);Beijing Key Laboratory of Research on Large Models(北京大模型研究关键实验室);Engineering Research Center of Next-Generation Intelligent Search(下一代智能搜索工程研究中心)
SoREX通过引入自解释的GNN框架,利用相关自我路径提取提升社交推荐的预测准确性与解释能力。
2025-12-05 cs.AI cs.SI
TRACE: A Conversational Framework for Sustainable Tourism Recommendation with Agentic Counterfactual Explanations
Technical University of Munich(慕尼黑技术大学);Polytechnic University of Bari(巴里理工学院)
TRACE通过多代理架构促进可持续旅游,利用反事实解释和LLM生成问题,提升用户环保意识,实验证明其在推荐质量与交互响应上的有效性。
2026-04-14 cs.AI cs.IR
Parameterized Explanations for Investor / Company Matching
J.P.Morgan AI Research(摩根大通人工智能研究)
匹配公司和投资者通常被认为是一个高度专业化的决策过程。构建一个可以自动化这种推荐过程的人工智能智能体可以显着帮助降低成本,消除人为偏见和错误。然而,由于财务数据集的样本规模有限,而且不仅需要好的建议,而且需要解释为什么提出某项建议,因此这是一个具有挑战性的问题。在这项工作中,我们提出了一个表示学习为基础的推荐引擎,工作非常好,与小数据集,并演示了它如何可以与参数化的解释生成引擎,以建立一个可解释的推荐系统投资者-公司匹配。我们比较了我们的系统与人类产生的建议的性能,并证明了我们的算法在这项任务上执行得非常好的能力。我们还强调了可解释性如何帮助我们的系统在现实生活中的采用。
2021-10-27 cs.AI cs.IR q-fin.CP
LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning
Monash University(莫纳什大学);Shanghai University of Finance and Economics(上海财经大学);Bosch Corporate Research(博世企业研究中心);Bosch(China) Investment Ltd.(博世(中国)投资有限公司);BSH Home Appliances Holding (China) Co. Ltd(博世和西门子家用电器集团(中国)控股有限公司);Griffith University(格里菲斯大学)
本文提出将大语言模型与知识图谱协同,通过LLM增强知识图谱重建并引入子图推理模块发现推理路径,从而提升推荐系统的有效性和可解释性,在四个真实数据集上平均性能提升12%,并在跨国公司的交叉销售推荐系统中验证了实用价值。
2024-06-30 cs.AI cs.IR
RobustExplain: Evaluating Robustness of LLM-Based Explanation Agents for Recommendation
Workday
RobustExplain提出首个评估框架,用于衡量LLM生成推荐解释的鲁棒性,揭示当前模型鲁棒性较低,较大模型稳定性更高。
2026-02-03 cs.AI cs.IR cs.LG
Explainable Recommendation: A Survey and New Perspectives
Rutgers University(罗格斯大学);Tsinghua University(清华大学)
可解释的推荐试图开发不仅能生成高质量推荐而且能生成直观解释的模型。解释可以是事后的,也可以直接来自可解释的模型(在某些上下文中也称为可解释或透明模型)。可解释的推荐试图解决为什么的问题:通过向用户或系统设计者提供解释,它帮助人们理解为什么某些项目被算法推荐,其中人类可以是用户或系统设计者。可解释推荐有助于提高推荐系统的透明度、说服力、有效性、可信度和满意度。它也便于系统设计人员更好地进行系统调试。近年来,大量的可解释的推荐方法-特别是基于模型的方法-已被提出并应用于现实世界的系统。本文对可解释性推荐研究进行了综述。我们首先强调了可解释推荐在推荐系统研究中的地位,将推荐问题分为5 W,即,什么,何时,何人,何地,为何然后,我们从三个方面对可解释性推荐进行了全面的调查:1)我们提供了一个可解释性推荐的时间研究时间轴。2)我们提供了一个二维分类现有的可解释的推荐研究。3)我们总结了如何解释推荐适用于不同的推荐任务。我们还专门用一章来讨论更广泛的IR和AI/ML研究中的解释视角。我们通过讨论潜在的未来方向来结束调查,以促进可解释推荐研究领域及其他领域。
2020-09-13 cs.AI cs.IR cs.MM
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
Creating Healthy Friction: Determining Stakeholder Requirements of Job Recommendation Explanations
Maastricht University(马斯特里赫特大学)
本研究通过混合方法用户研究评估了可解释职位推荐系统,发现真实解释未显著提升决策速度和准确性,但利益相关者更倾向于将其视为提供健康摩擦的决策支持工具。
2024-09-24 cs.AI cs.HC