本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM)，探讨了几种新的文件相关性排序模型。加入上下文有关的编码，包括多视图的查询和文档输入，测试证明新模型优于 BM25，DRMM 和 PACRR。

Sep, 2018

本文提出了一种基于解释性的检索模型，通过建立动态知识图谱，将 “搜索和购买” 行为建模为用户和产品之间的动态关系，并在潜在空间中基于用户和产品之间的关系进行排名，并通过逻辑推理和实体软匹配在知识图谱中生成解释信息，实验结果表明其优于现有的基线模型，同时能够合理地解释搜索结果。

Sep, 2019

该论文提出了一个基于 CAS 模型的用户行为模型，能更精确地预测用户行为并计算搜索引擎结果页的效用，减轻了特定元素对点击率和用户注意力的负面影响，更加符合用户反馈。

Sep, 2016

该论文综述了在可解释的推荐系统方面的文献，以四个维度为基础，即解释目标、解释范围、解释样式和解释格式，并探讨了使用可视化作为解释展示方式的指导方针，旨在帮助研究者和从业者更好地了解可视化解释研究的潜力，支持他们在现有和未来的推荐系统中进行系统设计。

May, 2023

本文全面调研了针对词嵌入、序列建模、注意力模块、Transformer、BERT 以及文档排名的机器学习和自然语言处理研究的可解释性和解释性方法，最后提出了未来的研究方向。

Dec, 2022

本论文介绍了一种搜索系统 EXS，利用解释模型 LIME，针对神经排序器等复杂模型进行解释，以提供搜索查询意图、文档排名和相关性的解释和改进建议。

Sep, 2018

这篇研究探讨了高性能预训练语言模型的表现，并提出了一些可解释的评估指标用于理解检索实例的概念质量，并对具有明显查询语义的对抗性干预进行了测试，揭示了不透明指标中的漏洞并显示了学习语言表示中的模式。

Sep, 2022

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

本文提出了基于注意力神经网络的可视化解释推荐模型，这种模型可同时提供用户感兴趣的推荐结果和推荐理由，其关键在于模拟用户注意力，使用隐式反馈和文本评价进行监督学习。实验结果表明，所提出的模型不仅可提高推荐性能，还可以提供具有说服力的视觉解释。

Jan, 2018

在电子商务领域中，搜索相关性问题具有挑战性，因为它涉及理解用户的简短微妙查询的意图，并将其与目录中的适当产品匹配。为了弥合研究和实际采用这些技术之间的差距，我们提出了 Plug and Play Graph LAnguage Model（PP-GLAM），一个可解释的插拔模型集合。通过均匀的数据处理流程和增加的解释度量，我们展示了 PP-GLAM 在真实多语言、多区域电子商务数据集上优于几种最先进的基准模型及专有模型。为了促进更好的模型可理解性和采用度，我们还提供了模型的解释性和计算复杂性分析，并提供了实际实施的部署策略的公共代码库。

Mar, 2024