通过使用知识图谱方法和协同过滤技术，我们的研究提出了一种可以生成客观描述的推荐解释的方法，该方法结合了用户购买历史和物品特征，为用户提供与其偏好相匹配的个性化解释，实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。
Aug, 2023
该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建，增强推荐模块的泛化能力，解决冷启动问题，并在真实世界的数据集上显著提高了物品推荐的性能。
Mar, 2019
本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。
Feb, 2020
本研究通过将知识图谱嵌入汽车购买 / 销售领域，旨在构建个性化推荐系统，并通过实验证明所提出的方法能够提供与个体用户一致的相关推荐。
Jul, 2023
在金融服务领域，应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章，促进客户关系、客户参与及推动客户做出明智的金融决策，并发掘了结构化数据和非结构化数据的潜在价值。
本研究提出了一种图注意力神经网络模型，结合了用户、物品、属性和句子，用于基于抽取的解释的推荐系统，解决了现有解决方案在轻松感知、可靠性和个性化方面的不足之处。在两个基准评论数据集上的广泛实证评估表明了所提出解决方案的生成质量。
Feb, 2022
本文分析了不同活跃度用户的推荐性能，发现不同群体之间存在偏差，特别是不活跃用户会更容易受到不公平的对待。为了减少不公平现象，提出了通过启发式重新排序的公平性约束方法，实验结果表明该方法能提供高质量的可解释推荐，并降低了几个方面的推荐不公平性。
Jun, 2020
本研究采用知识图谱来优化推荐算法，提供更加个性化的推荐解决方案，并在实验中验证了其显著的性能优势，对于领域（如电影推荐）的个性化推荐具有参考价值。
Jan, 2021
该研究提出了一种基于语义相关性子图学习的可解释性表示方法 SEEK，能够提高知识图谱关系预测的性能和解释性。研究评估了 SEEK 在复杂关系预测任务上的表现，并表明了其优于标准学习表示方法。
Jun, 2023
本篇论文研究了如何将结构化知识应用于可解释性推荐引擎中，提出了一种基于知识嵌入的框架，能够在保留用户和项目关系结构的同时，生成个性化解释说明推荐结果，并在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。
May, 2018