本文提出了一种基于神经网络的方法，使用用户对不同商品的评分来预测用户如何描述该商品，并生成自然语言解释，通过实验验证模型可以生成接近真实用户写的评论。

Jul, 2017

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

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

本研究旨在通过加强推荐和对应解释之间的情感对齐，使解释的学习与推荐的学习更加紧密地连接。实验结果表明，该方案在推荐和解释任务方面均优于基线，特别是在生成解释的质量方面表现出色。

Jan, 2021

提供自然语言解释对于非专业用户尤为有用，然而目前常用的评估方法未能充分捕捉解释和预测之间的连贯性，因此本文通过人工验证、自动连贯性评估方法和基于 Transformer 的新方法阐明了这个问题，并进行了实验评估，结果表明该方法明显提高了解释的连贯性而不影响推荐性能的其他方面。

Dec, 2023

为了提高用户满意度和建立信任，推荐系统内提供解释尤为重要，特别是对为用户定制的推荐物品进行解释。在这个研究领域中，主要方法是生成基于文本的解释，主要侧重于应用大型语言模型（LLMs）。然而，由于时间限制和计算资源限制，对于可解释性推荐来说，细化 LLMs 的工作并不可行。作为替代方案，当前的方法是训练提示而不是 LLMs。在这项研究中，我们开发了一个模型，利用用户和项目输入的 ID 向量作为 GPT-2 的提示。我们在多任务学习框架内使用联合训练机制来优化推荐任务和解释任务。这种策略能更有效地探索用户的兴趣，提高推荐的效果和用户满意度。通过实验，在 Yelp、TripAdvisor 和 Amazon 数据集上，我们的方法在解释能力评估指标上分别达到 1.59 DIV、0.57 USR 和 0.41 FCR，相比于四种现有技术，表现出卓越性能。此外，我们发现所提出的模型能够确保在这三个公共数据集上文本质量的稳定。

Jan, 2024

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

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

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