本文研究和扩展了一种名为玻尔兹曼机的概率模型，以无缝整合相似性和共现模式，完成协同过滤任务，并提出了处理偏好序列的参数化选项，同时模拟了基于用户和基于项目的过程，并在中等和大规模电影推荐实验中表现出与现有方法相当的竞争力。

May, 2012

该研究提出了一种基于几何先验知识和变分网络的可解释推荐系统，通过从用户 - 项目交互中学习潜在因子，并结合注意力机制从评论中提取重要文本片段来生成推荐解释，优化了推荐结果可解释性，同时在推荐效果上与基于内容的推荐系统相当。

May, 2023

提出了一个能够在外部攻击下保持鲁棒性和提供一般性解释的特征感知可解释推荐系统的通用框架，通过在三个不断增大的流行电子商务数据集上对两个架构不同的基于特征的最先进可解释算法进行训练，实验证明了该框架在正常和嘈杂环境下全局解释能力的整体提升，展示了其灵活性和可变性。

May, 2024

这项研究介绍了一种名为 XRec 的模型无关框架，利用大型语言模型（LLMs）的语言能力推动可解释的推荐系统的发展，该框架通过集成协作信号和设计轻量级的协作适配器使 LLMs 能够理解用户和物品之间的复杂模式并更深入地了解用户的偏好，全面且有意义的解释能力优于其他基准方法。

Jun, 2024

本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。

Jul, 2021

本文提出了一种新方法 RecXplainer，基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释，并使用真实数据集进行了实验进行了评估，结果表明 RecXplainer 能够更好地捕捉用户的喜好，并且相比六种基线方法，RecXplainer 在提供推荐解释方面有更显著的效果。此外，作者还提出了十种新的推荐解释评估度量标准。

Nov, 2022

为了解决推荐系统中透明性和用户信任的问题，研究人员提出了一种名为 BRIE 的新模型，通过采用基于贝叶斯对比排序的更适当的学习目标，实现比现有模型更卓越的性能，同时具有较高的效率。

Jul, 2023

本文描述了如何使用更高效的马尔可夫链蒙特卡罗算子来训练受限玻尔兹曼机 (RBM)，以有效地处理自然语言处理中的高维度多项式观察值，通过在数百万个单词 n-gram 上训练 RBM，并使用所学特征来提高分块和情感分类任务的性能，从而实现了后一项的最新成果。

Feb, 2012

使用限制玻尔兹曼机 (Restricted Boltzmann Machines) 进行图像聚类任务，通过训练通用 RBM 模型和适应每个测试图像的 RBM 模型，生成嵌入向量用于图像聚类任务，并在实验结果中表明该方法优于 k-means、谱聚类和近似顺序排名算法。

Dec, 2023

解释性推荐在工业界和学术界近年来备受关注。在推荐系统框架中提供的解释具有多种用途：尤其是解释为什么提供建议和物品与用户个性化偏好的匹配程度。因此，解释在影响用户购买产品方面起着重要作用。然而，这些解释在不同情况下的可靠性还没有严格从经验的角度进行验证。不可靠的解释可能带来强烈的后果，如攻击者利用解释来操纵和引诱用户购买推广的目标物品。本文研究了现有基于特征的可解释性推荐系统的脆弱性，特别是分析了它们在模型参数中增加不同水平的外部噪声下的性能。我们通过分析两个广泛使用的电子商务推荐数据集上训练的三个重要的最新算法进行实验。我们观察到所有可解释性模型都对增加的噪声水平脆弱。实验结果验证了我们的假设，即随着噪声水平的增加，解释推荐的能力确实减弱，尤其是敌对噪声对减弱的影响更大。我们的研究提供了有关推荐系统中稳健解释主题的经验验证，可以推广到不同类型的可解释性推荐系统。

May, 2024