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
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
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
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
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
REASONER: An Explainable Recommendation Dataset with Multi-aspect Real User Labeled Ground Truths Towards more Measurable Explainable Recommendation
可解释性推荐引起了业界和学术界的广泛关注。它在提高推荐的说服力、信息量和用户满意度方面显示出巨大的潜力。尽管在过去的几年里已经提出了许多有前途的可解释推荐模型，这些模型的评价策略受到一些限制。例如，解释真值没有被真实用户标记，解释大多仅基于一个方面进行评价，并且评价策略难以统一。为了缓解上述问题，我们建议使用多方面的真实用户标记的真值构建一个可解释的推荐数据集。具体来说，我们首先开发了一个视频推荐平台，围绕推荐可解释性的一系列问题进行了精心设计。然后，我们招募了大约3000名不同背景的用户使用该系统，并收集他们的行为和反馈我们的问题。在本文中，我们详细介绍了我们的数据集的构建过程，并对其特征进行了广泛的分析。此外，我们开发了一个库，其中十个著名的可解释的推荐模型在一个统一的框架中实现。基于该库，我们为不同的可解释推荐任务构建了几个基准测试。最后，我们提出了我们的数据集带来的许多新的机会，这些机会有望为可解释的推荐领域带来一些新的亮点。我们的数据集、库和相关文档已在https://reasoner2023.github.io/上发布。
2023-03-01 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
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
Experimental Insights Towards Explainable and Interpretable Pedestrian Crossing Prediction
Universidad de Alcalá（阿尔卡拉大学）
提出融合深度学习与模糊逻辑的神经符号预测器 ExPedCross，在 PIE 和 JAAD 上实现可解释的行人过街预测，并给出数据与特征选择建议。
2023-12-05 cs.AI cs.LG cs.NE
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
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
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
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
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
MADREC: A Multi-Aspect Driven LLM Agent for Explainable and Adaptive Recommendation
Hanyang University（汉阳大学）
提出多方面驱动LLM智能体MADRec，通过无监督提取评论信息构建用户和物品画像，结合重排序与自我反馈机制，实现可解释和自适应的推荐，并在多个领域超越传统及LLM基线。
2025-10-15 cs.AI cs.IR
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
EXPLORE -- Explainable Song Recommendation
本研究开发了一个结合协同过滤与内容过滤、并配备交互界面的可解释音乐推荐系统，通过RMSE和用户研究验证了其有效性和用户满意度。
2023-12-30 cs.IR
Ekar: An Explainable Method for Knowledge Aware Recommendation
Peking University（北京大学）；Mila-Quebec AI Institute（米拉-魁北克人工智能研究院）；HEC Montreal（蒙特利尔高等商学院）
本文研究了基于知识图谱的推荐系统，它可以有效地解决数据稀疏和冷启动问题。最近，已经开发了各种方法来解决这个问题，这些方法通常尝试学习用户和项目的有效表示，然后根据用户的表示将项目与用户匹配。虽然这些方法已经被证明是相当有效的，他们缺乏良好的解释，这是至关重要的推荐系统。在本文中，我们采取了不同的路线，并提出通过找到有意义的路径，从用户到项目生成建议。具体来说，我们制定的问题作为一个顺序的决策过程中，目标用户被定义为初始状态，和图上的边缘被定义为行动。我们根据现有的国家的最先进的方法，然后训练的政策功能与策略梯度方法。在三个真实世界数据集上的实验结果表明，我们提出的方法不仅提供了有效的建议，而且提供了很好的解释。
2022-01-07 cs.AI cs.IR
Distilling Structured Knowledge into Embeddings for Explainable and Accurate Recommendation
最近，基于嵌入的推荐模型（例如，矩阵分解和深度模型）由于其有效性和灵活性而在学术界和工业界都很流行。但是，它们也有一些内在的局限性，如缺乏可解释性和数据稀疏性。在本文中，我们提出了一个端到端的联合学习框架，以绕过这些限制，而不引入任何额外的开销，通过从可区分的基于路径的推荐模型中提取结构化知识。通过大量的实验，我们表明，我们提出的框架可以实现国家的最先进的推荐性能，同时提供可解释的推荐理由。
2019-12-18 cs.IR
Explainable Fairness in Recommendation
现有的公平性推荐研究主要集中在公平性的量化和公平推荐模型的开发上，而没有研究更实质性的问题--确定推荐模型差异的根本原因。这些信息对于推荐系统设计者理解内在的推荐机制至关重要，并为决策者提供了如何提高模型公平性的见解。幸运的是，随着可解释人工智能的快速发展，我们可以使用模型的可解释性来深入了解模型的公平性。在本文中，我们研究了可解释的公平性问题，这有助于深入了解为什么一个系统是公平或不公平的，并指导公平推荐系统的设计与更明智和统一的方法。特别是，我们专注于一个共同的设置与功能感知推荐和曝光不公平，但建议的可解释的公平性框架是一般的，可以应用到其他推荐设置和公平性定义。我们提出了一个反事实的可解释的公平性框架，称为CEF，它产生的解释模型的公平性，可以提高公平性，而不会显着损害performance. CEF框架制定了一个优化问题，学习的“最小”的输入功能的变化，改变推荐结果到一定程度的公平性。基于每个特征的反事实推荐结果，我们根据公平性-效用权衡来计算可解释性得分，以对所有基于特征的解释进行排名，并选择最高的作为公平性解释。
2022-06-06 cs.IR
Context-aware explainable recommendations over knowledge graphs
Paris-Dauphine University, PSL Research University, CNRS UMR 7243, LAMSADE（巴黎第九大学，PSL研究大学，法国国家科学研究中心UMR 7243，LAMSADE）
本文提出CA-KGCN框架，通过建模适应用户上下文的偏好并整合知识图谱语义关系，实现上下文感知的可解释推荐。
2023-10-24 cs.AI cs.IR
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
LLM as Explainable Re-Ranker for Recommendation System
本文提出利用大语言模型作为可解释的重排序器，结合传统推荐模型提升推荐系统的准确性和可解释性。
2025-12-03 cs.IR
XRec: Large Language Models for Explainable Recommendation
University of Hong Kong（香港大学）
本文提出名为XRec的模型无关框架，通过整合协同信号和轻量级协同适配器，赋予大型语言模型理解用户-项目交互模式的能力，从而为推荐系统生成全面且优于基线方法的可解释推荐。
2024-09-22 cs.AI cs.CL 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
CogRec: A Cognitive Recommender Agent Fusing Large Language Models and Soar for Explainable Recommendation
CogRec融合大型语言模型和Soar认知架构，通过符号推理与在线学习提升推荐系统的可解释性和准确性。
2025-12-30 cs.AI cs.IR
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
Developing an Intelligent Job Recommendation System Using Semantic Retrieval and Explainable AI Techniques
Master of Web Science, Syrian Virtual University, Damascus, Syria（Web科学硕士，叙利亚虚拟大学，大马士革，叙利亚）
提出一种结合TF-IDF、Sentence-BERT语义检索、交叉编码器重排序和可解释性生成的元数据驱动职位推荐系统，在LinkedIn数据集上达到高精度和可解释性。
2026-05-26 cs.AI 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
Explainable Session-based Recommendation via Path Reasoning
School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院）
针对会话推荐缺乏可解释性的问题，本文提出分层强化学习框架PR4SR，通过会话级与路径级智能体、多目标及中点奖励和图像特征增强知识图谱进行路径推理，并在五个模型与四个数据集上验证其推荐与解释效果。
2024-02-28 cs.AI 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
Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering
Ariel University（阿里尔大学）；Tel Aviv University（特拉维夫大学）；Bar-Ilan University（巴伊兰大学）
在推荐系统中，两个主要的挑战是对具有不同品味的用户进行建模，并提供可解释的推荐。在本文中，我们提出了一个统一的解决方案，这两个问题的神经注意力多角色协作过滤（AMP-CF）模型。AMP-CF将用户分解为几个潜在的“人物角色”（配置文件），以识别和辨别用户的不同品味和倾向。然后，揭示的人物角色用于为用户生成和解释最终的推荐列表。AMP-CF将用户建模为一个有注意力的人物角色混合体，支持基于所考虑的项目而变化的动态用户表示。我们展示了AMP-CF上的五个协同过滤数据集的域的电影，音乐，视频游戏和社交网络。作为一个额外的贡献，我们提出了一种新的评价方案，用于比较不同的项目在推荐列表中的基础上的距离从底层分布的“口味”在用户的历史项目。实验结果表明，AMP-CF是竞争力与其他国家的最先进的模型。最后，我们提供了定性的结果来展示AMP-CF解释其建议的能力。
2020-09-26 cs.AI cs.IR cs.LG
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
Personalized Transformer for Explainable Recommendation
Hong Kong Baptist University（香港浸会大学）；Rutgers University（罗格斯大学）
自然语言生成的个性化在诸如可解释的推荐、评论摘要和对话系统等大量任务中起着至关重要的作用。在这些任务中，用户和项目ID是个性化的重要标识符。Transformer被证明具有强大的语言建模能力，然而，它不是个性化的，并且不能利用用户和项目ID，因为ID标记甚至与单词不在相同的语义空间中。针对这一问题，本文提出了一种用于解释性推荐的个性化Transformer（PETER），并在此基础上设计了一个简单有效的学习目标，利用识别码预测目标解释中的单词，从而赋予识别码以语言学意义，实现个性化的Transformer。除了生成解释，PETER还可以提出建议，这使其成为整个解释-解释管道的统一模型。大量的实验表明，我们的小型未经预训练的模型在生成任务上的有效性和效率方面优于微调的BERT，这突出了我们设计的重要性和良好的实用性。
2021-06-05 cs.AI cs.CL 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
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
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
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
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
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
Rating and aspect-based opinion graph embeddings for explainable recommendations
Universidad Autónoma de Madrid（马德里自治大学）；Pontificia Universidad Católica de Chile（智利天主教大学）
神经网络嵌入的成功引发了人们对使用知识图谱进行各种机器学习和信息检索任务的新兴趣。特别是，最近的推荐方法的基础上图嵌入显示出最先进的性能。通常，这些方法编码潜在的评级模式和内容特征。从以前的工作，在本文中，我们建议利用嵌入提取的图形，结合信息的评级和基于方面的意见，在文本评论。然后，我们适应和评估国家的最先进的图形嵌入技术，从亚马逊和Yelp评论六个域生成的图形，优于基线嵌入器。此外，我们的方法的优点是提供的解释，涉及的覆盖面的方面为基础的意见，由用户推荐的项目。
2022-07-28 cs.AI 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
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph
Tsinghua University（清华大学）；University of Southern California（南加利福尼亚大学）
可解释性和有效性是构建推荐系统的两个关键方面。以前的努力主要集中在合并边信息，以实现更好的推荐性能。然而，这些方法具有一些弱点：（1）基于神经网络的嵌入方法的预测难以解释和调试;（2）基于符号、图形的方法（例如，基于Meta路径的模型）需要人工努力和领域知识来定义模式和规则，并且忽略项目关联类型（例如，可替换的和互补的）。在本文中，我们提出了一种新的联合学习框架集成\textit{induction of explainable rules from knowledge graph}与\textit{construction of a rule-guided neural recommendation model}。该框架鼓励两个模块相互补充，以产生有效的和可解释的推荐：1）归纳规则，从以项目为中心的知识图谱中挖掘，总结常见的多跳关系模式，用于推断不同的项目关联，并为模型预测提供人类可读的解释; 2）推荐模块可以通过归纳规则进行扩充，从而在处理冷启动问题时具有更好的泛化能力。大量的实验\footnote{Code and data can be found at: \url{https://github.com/THUIR/RuleRec}}表明，我们提出的方法已经取得了显着的改善，在现实世界的数据集上的基线项目推荐。我们的模型在通过将项目名称链接到相关实体而生成的“嘈杂”项目知识…
2019-03-09 cs.AI cs.IR cs.LG
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
