UCEpic: 统一考虑方面规划和词汇约束的可解释推荐
本文提出了一种新颖的使用方面标记的技术，可以从评论文本中生成个性化的推荐解释，允许用户通过批判文本解释来修改推荐条件，在两个真实数据集上的实验证明，该方法可以在单步和多步批判中适应用户的偏好，是一种新型的无监督批判方法。
May, 2020
本文提出了使用层级序列到序列模型（HSS）生成自由文本的自定义推荐解释，以提高电子商务推荐模型效率和解释质量。使用基于主题物品特征词的自动去噪机制能够解决生成用户解释时存在的问题。经过实验验证该方法不仅提高了推荐精度，而且在离线评估和功能词覆盖范围方面还提高了解释质量。
Jan, 2021
本文提出了一种名为 CALeC 的方法，旨在解决语言和图像理解中，以前的方法在语义和各种特征之间的对齐上存在问题，其包括一个基于块意识和词汇约束的生成器和一个基于关系的推理网络，用于提高视觉语言理解的精确度和生成的解释的质量。在三个数据集的广泛实验中，CALeC 明显优于其他竞争模型，可以准确推断出 text-image 对之间的关系并生成解释。
Jul, 2022
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
本文提出了一种基于解释性约束的学习框架，利用统计学习理论分析了这种解释如何提高模型的学习效果。首先定义了一种叫做 EPAC 模型的概念，其中这些约束在新数据的期望中成立，然后通过传统学习理论工具对这类模型进行了分析，并对一类梯度信息进行了限制，最后提出了一种基于变分逼近的算法来实现这种框架，并在大量实验中展示了其优越性。
Mar, 2023
本文提出了一种基于知识图谱（KG）的一体化增强文本规划方法（CETP），利用 KG 的语义结构来提高生成评论的全局和局部连贯性。通过学习文档的两级文本计划，即将文档计划建模为按顺序排列的句子计划的序列以及将句子计划建模为 KG 中的基于实体的子图，进而自然地强化段落内部的实体之间的相关性和段落之间的相关性。通过在三个数据集上的广泛实验证明了我们的模型在提高生成文本内容连贯性方面的有效性。
May, 2021
本文提出一种新的自我解释模型，通过低维度二进制表示预测结果并提供输入概念存在的解释，自动定义相关概念，实现易解释性，实验结果表明模型在文本分类和情感分析任务中具有较好的表现。
May, 2019
该研究提出了一种将方面提取和基于方面的推荐相结合的端到端方法，利用最近大型语言模型的进展并设计了一种新的提示学习机制来为最终推荐任务生成方面。在三个工业数据集上进行的实验证明，该方法显著优于现有的基线方法，必要且有益的结合了方面提取和基于方面的推荐学习。
Jun, 2023
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