可持续透明度在推荐系统中的应用：基于贝叶斯排序的图片解释能力
本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。
Jul, 2021
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
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
使用算法排序和可解释的 AI 方法实现透明的排名解释，通过可视化解释模型拟合和属性对排名的影响来探索和解释复杂的多属性排名数据的子集和分组，在不了解黑盒排名模型的情况下，帮助具备数据科学训练的最终用户透明地推理排名的全局和局部行为。
Aug, 2023
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
该研究提出了一种基于几何先验知识和变分网络的可解释推荐系统，通过从用户 - 项目交互中学习潜在因子，并结合注意力机制从评论中提取重要文本片段来生成推荐解释，优化了推荐结果可解释性，同时在推荐效果上与基于内容的推荐系统相当。
May, 2023
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