本文旨在研究一种从 “一刀切” 的解释推荐过渡到个性化解释推荐的新方法，通过开发一个透明的基于个人兴趣模型的应用程序，提供可按需定制的解释，以满足不同类型终端用户的需求。研究表明，不同目标解释和用户类型对于不同级别的详细解释的阐释推荐系统的感知程度有不同的影响。因此，我们提出了一些理论和设计指南，以支持个性化设计的解释系统。

Apr, 2023

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

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

本研究探讨解释对于 AI 生成的推荐质量的贡献，提出了一种人机交互框架 ELIXIR，通过用户反馈对解释的学习获取用户的隐含偏好向量，最终实现基于图结构推荐系统的优化，实验结果表明该方法在提高电影和图书推荐方面相较于传统方法有显著提升。

Feb, 2021

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

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

本文讨论了如何在音乐推荐系统中实现可解释性，以改善用户体验，包括讨论 XAI 的各种维度和目标，以及解释组件如何集成于 MRS，并讨论解释质量的要求和策略，最终提供研究展望。

Jan, 2022