论文提出了一种使用生成文本解释推荐结果的框架，旨在为推荐系统提供可解释性，实现个性化解释，实验结果表明，与人类编写的评论相比，生成的评论在推荐性能方面表现更好。

Jul, 2018

通过评估当前的推荐系统和其生成评论的组件，我们发现生成的评论是脆弱的且在被视作预测评级的文字理由之前有待进一步评估。

Sep, 2022

针对检测有用评价的问题，本研究提出了一个新的数据集和方法，该方法利用评论者的历史评价记录和评论的时间动态来自动评估评论的有用性，并展示了比多个基准方法更好的效果。

Feb, 2023

本文旨在利用现成的论证挖掘系统来预测 Amazon 评论的有用性，结果表明评论的有用性与其论证内容紧密相关。

Sep, 2018

该研究利用在线用户评论揭示隐藏在其中的信息，通过识别和理解用户评分时的各种维度，预测产品的评分。该方法可以在没有评论文本的情况下，使用少量用户评分来预测评分，并在预测精度方面优于传统方法达 16-27％。

Apr, 2016

本文综述了混合推荐系统的新模型与架构，并识别了每种模型的优缺点及其具体应用场景。

May, 2022

本研究通过对书评的心理、词汇、语义、易读性等特征进行统计分析，使用两种易读性测试探索阅读便利程度与书评受欢迎程度的正向关联，并运用传统机器学习分类器和基于 Transformer 的预训练语言模型，自动判断书评的受欢迎程度。研究结果表明，除了一些特征（例如书评长度、情感和词语独特性）之外，大多数属性在受欢迎和不受欢迎的书评组之间没有显著差异。此外，使用词语 N-gram 特征的机器学习分类器的低性能凸显了在判断创意领域受欢迎程度方面所面临的挑战。总体而言，本研究揭示了影响书评受欢迎程度的因素，并强调了进一步研究的需要，尤其是在创意领域。

Nov, 2023

利用 impressions 的推荐系统的系统文献综述，主要关注推荐系统、数据集和评估方法三个方面，提供了对使用 impressions 的推荐系统进行分类、分析和评估的细节，并指出未来研究中需要关注的问题和方向。

Aug, 2023

本篇论文探讨了在自然语言处理和推荐任务中推断高质量执行操作和使解释具有可操作性的两个基本挑战，并通过证明解释性不以在两个应用中展示的卓越表现为代价的框架将人工智能应用实践的承诺变为现实。

May, 2022

通过使用个性化的检索系统来增强生成器，构建能够更可靠地生成存在检索关系、多样化且被人工评估认为更信息丰富的解释的模型。

Sep, 2022