本篇综述介绍了解释性推荐的相关研究，着重介绍了其在解释性模型、透明度、说服力等方面的应用，并提供了分类现有研究的两维度分类以及不同推荐任务的应用，最后讨论了未来发展的方向。

Apr, 2018

本文综述了解释在推荐系统中的应用，特别讨论了与群体推荐场景相关的方面，并提出了基于偏好聚合策略确定推荐的不同解释和可视化方法。

Feb, 2021

本文综述了可解释推荐的评估策略，提出了按照评估方法和角度进行分类的不同分类方法，并分析了现有评估方法的（不）优点并提供了选取它们的一系列指南，并根据来自 IJCAI，AAAI，TheWebConf，Recsys，UMAP 和 IUI 等顶尖会议的 100 多篇论文提出了其完整的总结，最终旨在提供关于可解释推荐的全面而清晰的评估综述。

Feb, 2022

本研究探讨了为增强推荐系统的解释能力，提高用户对推荐系统的满意度和信任的透明度和解释目标的关系，并通过用户研究表明了不同的解释智能类型取决于解释目标和用户类型。

May, 2023

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

解释性推荐在工业界和学术界近年来备受关注。在推荐系统框架中提供的解释具有多种用途：尤其是解释为什么提供建议和物品与用户个性化偏好的匹配程度。因此，解释在影响用户购买产品方面起着重要作用。然而，这些解释在不同情况下的可靠性还没有严格从经验的角度进行验证。不可靠的解释可能带来强烈的后果，如攻击者利用解释来操纵和引诱用户购买推广的目标物品。本文研究了现有基于特征的可解释性推荐系统的脆弱性，特别是分析了它们在模型参数中增加不同水平的外部噪声下的性能。我们通过分析两个广泛使用的电子商务推荐数据集上训练的三个重要的最新算法进行实验。我们观察到所有可解释性模型都对增加的噪声水平脆弱。实验结果验证了我们的假设，即随着噪声水平的增加，解释推荐的能力确实减弱，尤其是敌对噪声对减弱的影响更大。我们的研究提供了有关推荐系统中稳健解释主题的经验验证，可以推广到不同类型的可解释性推荐系统。

May, 2024

本文系统审查了建议系统中的解释问题，探究了其目的、生成方式、呈现方式和评估方式，并提出了一个全面的分类法，其中包括解释目标、响应性、内容和呈现等方面，同时还识别了许多未解决的挑战。

Jun, 2020

提出了一个能够在外部攻击下保持鲁棒性和提供一般性解释的特征感知可解释推荐系统的通用框架，通过在三个不断增大的流行电子商务数据集上对两个架构不同的基于特征的最先进可解释算法进行训练，实验证明了该框架在正常和嘈杂环境下全局解释能力的整体提升，展示了其灵活性和可变性。

May, 2024

本文提出了一种新方法 RecXplainer，基于用户对推荐项目属性的偏好生成了更细粒度的推荐解释，并使用真实数据集进行了实验进行了评估，结果表明 RecXplainer 能够更好地捕捉用户的喜好，并且相比六种基线方法，RecXplainer 在提供推荐解释方面有更显著的效果。此外，作者还提出了十种新的推荐解释评估度量标准。

Nov, 2022

通过用户中心、交互式的多级解释模型，提供不同层次的解释，让用户可以根据需求和偏好自定义解释，研究表明这种方法可以提高透明度、信任感、满意度和用户体验。

Jun, 2023