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
LLM-Guided Multi-View Hypergraph Learning for Human-Centric Explainable Recommendation
本文提出LLMHG框架，结合大型语言模型推理与超图神经网络，以人为中心建模用户偏好并提升推荐可解释性，在多个真实数据集上优于传统模型。
2024-03-29 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
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
Attention Is Not the Only Choice: Counterfactual Reasoning for Path-Based Explainable Recommendation
针对基于路径推荐中注意力权重不稳定且不符直觉的问题，提出用反事实推理学习路径可解释权重，并设计两种算法及定性定量评估方案，实验验证其有效可靠。
2024-03-03 cs.IR
UniWalk: Explainable and Accurate Recommendation for Rating and Network Data
我们如何利用社交网络数据和观察到的评级来正确地推荐合适的项目，并为推荐提供有说服力的解释？许多在线服务在用户之间提供社交网络，并且利用社交信息是至关重要的，因为朋友的推荐比来自随机用户的推荐更可能吸引注意力。此外，解释商品推荐的原因对于鼓励用户采取实际购买等行动非常重要。然而，由于数据的异质性，利用评级和社交图进行推荐并不简单。在本文中，我们提出了UniWalk，一个可解释和准确的推荐系统，利用社会网络和评级数据。UniWalk将这两种数据结合到一个统一的图中，学习用户和项目的潜在特征，并通过这些特征向每个用户推荐项目。重要的是，它解释了为什么项目与推荐结果一起推荐。大量的实验表明，UniWalk提供了最好的可解释性，并达到了最先进的准确性。
2017-10-18 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
MMP-Refer: Multimodal Path Retrieval-augmented LLMs For Explainable Recommendation
Huazhong University of Science and Technology（华中科技大学）
MMP-Refer通过多模态路径检索增强LLM，提升推荐系统的可解释性，采用联合残差编码获取多模态嵌入，并设计启发式搜索算法获取检索路径，通过轻量级协作适配器映射图编码至LLM语义空间，提升交互信息理解。
2026-04-04 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
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
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
CADRL: Category-aware Dual-agent Reinforcement Learning for Explainable Recommendations over Knowledge Graphs
针对知识图谱推荐中可解释路径生成不足与长路径遍历效率低的问题，提出类别感知双智能体强化学习模型CADRL，通过类别感知门控图神经网络和双智能体框架提升推荐效果与效率。
2024-08-06 cs.IR
Explainable Fashion Recommendation: A Semantic Attribute Region Guided Approach
在时尚推荐系统中，每个产品通常由多个语义属性（例如，袖子、衣领等）。当做出布料决定时，人们通常会表现出对不同语义属性的偏好（例如，带V领的衣服）。然而，大多数以前的时尚推荐模型理解的服装图像与一个全局的内容表示和缺乏详细的理解用户的语义偏好，这通常会导致较差的推荐性能。为了弥补这一差距，我们提出了一个新的语义属性解释推荐系统（SAERS）。具体来说，我们首先介绍了一个细粒度的可解释的语义空间。然后，我们开发了一个语义提取网络（SEN）和细粒度的偏好注意（FPA）模块，分别将用户和项目投射到这个空间中。通过SAERS，我们不仅能够为用户提供布料推荐，而且能够以个性化的方式通过直观的视觉属性语义突出来解释我们推荐布料的原因。在真实数据集上进行的大量实验清楚地表明了我们的方法与最先进的方法相比的有效性。
2019-06-27 cs.IR
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
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
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
Graph Reasoning for Explainable Cold Start Recommendation
本文提出GRECS框架，将图推理适配于冷启动推荐，通过利用知识图谱中从用户出发的显式路径而非仅依赖实体嵌入，在5个标准数据集上缓解冷启动问题并优于基线方法，同时保持可解释性。
2024-06-11 cs.IR
Counterfactual Multi-player Bandits for Explainable Recommendation Diversification
针对推荐多样性方法缺乏可解释性且难以优化不可微指标的问题，提出反事实多玩家老虎机 CMB，通过反事实因素识别与多玩家老虎机优化实现跨指标的可解释推荐多样化。
2025-06-11 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
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
Causality and Correlation Graph Modeling for Effective and Explainable Session-based Recommendation
针对基于会话推荐中难以区分物品间因果与相关关系的问题，提出CGSR模型，通过构建因果、结果和相关图并采用图神经网络联合建模，提升了推荐准确率并实现了可解释性。
2023-05-17 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
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
Building an Explainable Graph-based Biomedical Paper Recommendation System (Technical Report)
针对数字图书馆中论文推荐成本高且缺乏可解释性的问题，提出基于图的XGPRec方法，能高效处理3700万篇文献，表现良好且能生成有益解释。
2024-12-05 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
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
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
LLM-as-a-Judge for Reliable and Explainable Offline Evaluation in Top-K Recommendation
City University of Hong Kong（香港城市大学）；Shanghai Jiao Tong University（上海交通大学）；Xiamen University（厦门大学）
针对离线评估中反馈偏差和缺乏解释的问题，提出基于LLM的语义代理和推理评分框架，提升评估可靠性与可解释性。
2026-06-23 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
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
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
Visually Explainable Recommendation
在许多应用场景中，图片占据了用户决策的重要部分，例如电子商务中的产品图片，或社交网络中的用户图片帖子。直观的是，用户对图像的视觉图案的偏好（例如，色调、纹理、颜色等）可以是高度个性化的，并且这为我们提供了高度区分的特征来进行个性化推荐。以前的工作，利用图像的推荐通常将图像转换成潜在的表示向量，这是通过一个推荐组件，以帮助个性化的用户/项目分析和推荐。然而，这样的向量在向用户提供关于为什么推荐特定项目的视觉解释方面几乎没有用，并且因此削弱了推荐系统的可解释性。作为可解释的推荐模型的一步，我们提出了视觉上可解释的推荐基于关注神经网络来模拟用户对图像的关注，在隐式反馈和文本评论的监督下。通过这种方式，我们不仅可以向用户提供推荐结果，还可以通过以个性化的方式提供直观的视觉亮点来告诉用户为什么推荐某个项目。实验结果表明，我们的模型不仅能够提高推荐性能，而且可以提供有说服力的视觉解释，为用户采取的建议。
2018-01-31 cs.IR cs.MM
Measuring "Why" in Recommender Systems: a Comprehensive Survey on the Evaluation of Explainable Recommendation
Rutgers University（罗格斯大学）；Renmin University of China（中国人民大学）
可解释推荐在提高推荐说服力、用户满意度、系统透明性等方面显示出巨大的优势。可解释性推荐的一个基本问题是如何评价这些解释。在过去几年中，提出了各种评价战略。但是，它们散见于不同的论文中，缺乏系统而详细的比较。为了弥补这一差距，本文全面回顾了前人的工作，并根据评价视角和评价方法对它们进行了不同的分类。除了总结以前的工作，我们还分析了现有的评估方法的优点（缺点），并提供了一系列的指导方针，如何选择他们。本调查的内容基于来自顶级会议（如IJCAI、AAAI、TheWebConf、Recsys、UMAP和IUI）的100多篇论文，其完整摘要可参见https://shimo.im/sheets/VKrpYTcwVH6KXgdy/MODOC/。通过这次调查，我们最终的目的是提供一个清晰和全面的评价可解释的建议。
2022-02-14 cs.AI cs.IR
Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation
University of Technology Sydney（悉尼科技大学）；Tongji University（同济大学）；Wuhan University of Technology（武汉理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
由于知识图谱提供了丰富的信息，基于路径的可解释推荐系统的最新进展引起了越来越多的关注。大多数现有的可解释的推荐只利用静态的知识图谱，而忽略了动态的用户项演化，导致不太令人信服和不准确的解释。虽然有一些工作，认识到建模用户的时间顺序行为可以提高性能和可解释性的推荐系统，他们中的大多数要么只专注于建模用户的顺序交互路径内或独立和单独的推荐机制。本文提出了一种新的基于强化学习的时间元路径引导可解释推荐（TMER-RL），它利用带有注意力机制的连续项之间的强化项-项路径建模，在动态知识图谱上对动态用户-项演化进行顺序建模，以实现可解释推荐。与现有的作品，使用大量的递归神经网络模型的时间信息相比，我们提出了简单而有效的神经网络来捕捉用户的历史项目的功能和基于路径的上下文来表征下一个购买的项目。在两个真实世界数据集上对TMER进行的广泛评估显示，与最近的强基线相比，TMER具有最先进的性能。
2021-11-24 cs.AI 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
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
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
Finding Paths for Explainable MOOC Recommendation: A Learner Perspective
EPFL（洛桑联邦理工学院）
本研究针对教育领域MOOC推荐可解释性不足的问题，提出基于图推理的可解释MOOC推荐系统，通过用户研究与两个教育数据集的实验验证了其实践价值与泛化性。
2023-12-11 cs.IR cs.LG
Stability of Explainable Recommendation
University of California, Davis（加州大学戴维斯分校）
本文通过向模型参数注入不同水平噪声，实证分析了三种SOTA可解释推荐器在两个电商数据集上的脆弱性，发现解释能力随噪声增加而下降，且对抗性噪声影响更大。
2024-05-03 cs.IR cs.LG
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
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
CAFE: Coarse-to-Fine Neural Symbolic Reasoning for Explainable Recommendation
最近的研究探索将知识图谱（KG）纳入电子商务推荐系统，不仅要实现更好的推荐性能，但更重要的是，生成解释为什么特定的决策。这可以通过显式KG推理来实现，其中模型从用户节点开始，顺序地确定下一步，并走向用户可能感兴趣的项目节点。然而，由于KG上巨大的搜索空间、未知的目的地和稀疏的信号，这是具有挑战性的，因此需要信息丰富且有效的指导来实现令人满意的推荐质量。为此，我们提出了一个CoArse-to-FinE神经符号推理方法（CAFE）。它首先生成用户简档作为用户行为的粗略草图，随后引导路径查找过程，以获得推荐的推理路径作为细粒度的预测。用户简档可以从历史中捕获突出的用户行为，并且提供关于哪种路径模式更可能导致用户感兴趣的潜在项目的有价值的信号。为了更好地利用用户简档，一种改进的路径查找算法，称为轮廓引导路径推理（PPR），它利用了一个库存的神经符号推理模块，有效地和高效地找到一批路径在一个大规模的KG。我们在四个真实世界的基准测试中进行了广泛的实验，并观察到与最先进的方法相比，推荐性能有了很大的提高。
2020-10-29 cs.IR
Towards Explainable Scientific Venue Recommendations
cs.uni-kassel.de（卡塞尔大学计算机科学系（注：此处严格按文本提取，原文本中邮箱格式显示为该机构，因无其他明确机构信息，仅提取此部分））
选择最佳科学场地（即，会议/期刊）提交研究论文构成了多方面的挑战。需要考虑的重要方面是研究主题的适合性，场地的声望和接受的可能性。由于不断出现更多的场地，选择问题更加严重。先前提出的用于在该过程中支持作者的方法依赖于复杂的推荐系统，例如，基于Word 2 Vec或TextCNN。然而，这些建议往往没有解释。在这项工作中，我们提出了一种简单的方法，在两个方面提高了最先进的水平：首先，我们通过基于非负矩阵分解的主题模型增强了推荐的可解释性;其次，我们可以在使用更简单的学习方法的同时获得有竞争力的推荐性能。
2021-09-21 cs.AI cs.IR
A Survey on Large Language Models for Personalized and Explainable Recommendations
本综述分析了推荐系统如何利用大语言模型提升个性化和可解释推荐，并探讨了个性化解释生成任务中的冷启动、不公平与偏见等主要挑战。
2023-11-21 cs.AI 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
Explainable Reasoning over Knowledge Graphs for Recommendation
将知识图谱应用于推荐系统的研究近年来受到越来越多的关注。通过探索知识图谱内的互连，可以发现用户和项目之间的连接作为路径，这为用户-项目交互提供了丰富的补充信息。这种连接性不仅揭示了实体和关系的语义，而且有助于理解用户的兴趣。然而，现有的努力还没有充分探索这种连接来推断用户的喜好，特别是在建模的顺序依赖关系和整体语义的path. In本文中，我们贡献了一个新的模型命名为知识感知路径递归网络（KPRN）利用知识图谱的推荐。KPRN可以通过组合实体和关系的语义来生成路径表示。通过利用路径内的顺序依赖关系，我们允许对路径进行有效的推理，以推断用户-项目交互的基本原理。此外，我们设计了一个新的加权池操作来区分不同的路径连接用户与项目的强度，赋予我们的模型具有一定程度的可解释性。我们在关于电影和音乐的两个数据集上进行了广泛的实验，证明了与最先进的解决方案协作知识库嵌入和神经因子分解机相比的显着改进。
2018-11-12 cs.IR
A Plug-and-play Model-agnostic Embedding Enhancement Approach for Explainable Recommendation
针对现有多媒体推荐系统嵌入效用与可解释性不足的问题，提出即插即用的模型无关方法RVRec，通过基于负2-Wasserstein距离的对比损失优化嵌入代表性、结合多元Shapley值重加权挖掘价值，可提升推荐的个性化与可解释性，效果优于SOTA基线。
2025-09-03 cs.IR
Reinforcement Knowledge Graph Reasoning for Explainable Recommendation
Rutgers University（罗格斯大学）
个性化推荐的最新进展激发了人们对利用知识图谱提供的丰富结构化信息的极大兴趣。与大多数现有的方法，只专注于利用知识图谱更准确的建议，我们进行明确的推理与决策的知识，使建议产生和支持的解释因果推理过程。为此，我们提出了一种称为策略引导路径推理（PGPR）的方法，该方法通过在知识图谱中提供实际路径来耦合推荐和可解释性。我们的贡献包括四个方面。我们首先强调的意义，将知识图谱的建议，正式定义和解释的推理过程。其次，我们提出了一个强化学习（RL）的方法，具有创新的软奖励策略，用户条件动作修剪和多跳评分函数。第三，我们设计了一个策略引导的图搜索算法，以有效地和有效地采样推理路径的推荐。最后，我们在几个大规模的真实世界的基准数据集上广泛地评估了我们的方法，与最先进的方法相比，获得了有利的结果。
2019-06-12 cs.IR cs.LG
Category Aware Explainable Conversational Recommendation
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）
大多数会话式推荐方法要么是不可解释的，要么它们需要外部用户的知识来解释，或者由于计算限制，它们的解释不能实时的应用。在这项工作中，我们提出了一个实时的基于类别的会话式推荐方法，它可以提供简洁的解释，而不需要事先用户的知识。我们首先以项目类别偏好的形式执行一个可解释的用户模型，然后使用类别偏好来推荐项目。用户模型通过在会话上应用基于BERT的神经架构来执行。然后，我们使用前馈网络将用户模型转换为项目推荐分数。在我们的方法中，用户的偏好在对话中表示的类别向量是直接可解释的。在真实会话推荐数据集ReDial上的实验结果显示出与最先进的性能相当的性能，而我们的方法是可以解释的。我们还展示了我们的框架的潜在力量，涉及到类别偏好预测的甲骨文设置。
2021-03-15 cs.AI cs.HC cs.IR
Explainable Artificial Intelligence Recommendation System by Leveraging the Semantics of Adverse Childhood Experiences: Proof-of-Concept Prototype Development
University of Tennessee Health Science Center（田纳西大学健康科学中心）；Oak Ridge National Laboratory（橡树岭国家实验室）；College of Medicine（医学院）
对童年不良经历及其后果的研究是在过去20年中出现的。在这项研究中，我们的目的是利用可解释的人工智能，并提出了一个概念验证原型的知识驱动的循证推荐系统，以改善不良的童年经历的监督。我们使用的概念，我们已经开发了一个本体构建和训练问答代理使用谷歌对话流引擎。除了问答代理之外，初始原型还包括利用第三方图技术的知识图谱生成和推荐组件。为了展示框架的功能，我们在这里提出了一个原型设计，并通过四个用例场景的动机，目前在田纳西州孟菲斯市的一家儿童医院实施的倡议的主要功能。原型的持续开发需要实施建议的优化算法，通过个人健康库纳入隐私层，并进行临床试验以评估实施的可用性和有用性。这种语义驱动的可解释的人工智能原型可以增强医疗保健从业者为他们做出的决策提供解释的能力。
2020-11-06 cs.AI cs.IR
Contrastive Learning for Aspect Representation towards Explainable Recommendation
Toronto Metropolitan University（多伦多都会大学）
本文提出CLARER模型，结合评分与评论方面特征，利用Transformer和对比学习提升推荐准确性与可解释性，在三个基准数据集上优于基线。
2026-10-07 cs.AI cs.IR
Diffusion-EXR: Controllable Review Generation for Explainable Recommendation via Diffusion Models
King’s College London（伦敦国王学院）；Singapore University of Social Sciences（新加坡社会科学院）
Diffusion-EXR通过扩散模型实现可解释推荐的可控评论生成，利用DDPM在推荐系统中生成高质量评论。
2026-03-03 cs.AI cs.IR
Adherence and Constancy in LIME-RS Explanations for Recommendation
由于可解释的人工智能重新引起人们的兴趣，可解释的推荐吸引了大量的关注。特别是，事后方法已被证明是最容易适用于日益复杂的推荐模型，然后被视为黑盒。最近的文献表明，对于基于局部代理模型的事后解释，存在与方法本身的鲁棒性相关的问题。这种考虑在与人相关的任务（如推荐）中变得更加相关。解释也有增强用户体验的日益相关的方面的艰巨任务，例如透明度或可信度。本文的目的是展示一个经典的事后模型的代理人的基础上的特点是强烈的模型依赖性，并没有被证明是负责产生的解释。
2021-10-08 cs.IR
ExplainRec: Towards Explainable Multi-Modal Zero-Shot Recommendation with Preference Attribution and Large Language Models
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
针对现有LLM推荐方法可解释性不足、冷启动效果差的问题，本文提出ExplainRec框架，融合偏好归因、多模态增强等技术，在公开数据集上取得更优推荐效果，可生成解释并适配冷启动场景。
2025-10-03 cs.AI cs.IR
