摘要：针对协同过滤算法在为用户商品相关性建模时未考虑用户/商品对特征属性的不同关注度及不可解释性问题,提出基于特征权重与情感偏好的可解释推荐算法。利用评论中抽取的特征及对应情感设计用户商品的表征,根据TF-IDF算法确定其重要性,将其加入相关性建模中;在评分预测时引入贝叶斯个性化排序减小评分误差;在生成推荐的同时,提供特征短语级别的解释。实验结果表明,对比现有模型,该模型均方根误差平均降低了3.62%,最大降低了4.93%。

摘要：为解决现有个性化推荐系统大多是黑箱模式,无法提供可靠的推荐理由这一问题,对可解释性推荐进行深入研究。为在消除元数据需求的情况下,实现推荐的可解释性和性能之间权衡,提出一种特征映射方法,将不可解释的一般特征映射到可解释的方面特征,该方面特征可用于解释生成;同时使用一个联合学习模型平衡准确预测和生成解释这两个任务,实现推荐中令人满意的准确性和可解释性。通过在真实数据集上的实验,验证了该方法在推荐准确度和解释语句质量两方面都有所提升。

摘要：现有的社会化推荐算法大多着眼于用户购买或点击等单一的交互行为,并未同时考虑收藏、浏览等多种不同的交互行为.而且当前的社会化推荐算法重点只关注推荐的准确性,忽略了推荐结果的可解释性.针对以上问题,提出了一种基于图神经网络的社会化推荐算法SRGN,将用户的社交关系和物品间客观存在的语义联系以特定的方式注入到算法架构中,并且利用消息传递的方式实现交互的多行为联合编码,从而提升推荐的准确性.此外,设计了可解释模块为推荐结果提供推荐的理由.在两个真实数据集上与其他8种算法进行对比实验,结果表明提出的算法在推荐性能和用户友好性上具有明显的优势.