可解释性推荐系统：调研与新视野

“可解释性推荐：调查和新视角——基于Web的可解释性AI，该文档是Explainable Recommendation: A Survey and New Perspectives论文的翻译，主要探讨了可解释性推荐系统的重要性和近年来的发展。” 在当前的人工智能领域，推荐系统已经成为日常生活中不可或缺的一部分，而随着深度学习和神经网络技术的广泛应用，推荐系统的复杂性也在不断增加。这导致了一个关键问题：推荐系统如何向用户解释其推荐决策的过程。可解释性推荐正是为了解决这一问题，它致力于构建既能提供高质量推荐又能清晰解释推荐原因的模型。 可解释性推荐系统的核心目标是提高推荐的透明度和可信度，帮助用户理解为何某个物品被推荐，从而增强用户的接受度和满意度。此外，对于系统设计者来说，可解释性也使得诊断和优化算法变得更加容易。在过去的几年中，研究人员已经提出了一系列可解释性推荐方法，其中包括基于模型的方法，它们已被应用于实际推荐系统中。 论文根据2019年前的出版物进行了详尽的回顾，将可解释性推荐系统的主要关注点总结为5W：What（推荐内容是什么）、When（何时推荐）、Why（为何推荐）、Where（在何处推荐）、Who（推荐给谁）。这些维度提供了全面理解推荐系统工作原理的框架。 在时间顺序上，论文分析了可解释性推荐的研究历程，从早期的用户研究方法到最近的基于模型的研究。同时，提出了一个二维分类法，一维关注解释信息的来源和展示方式，另一维关注生成可解释推荐的算法机制。 此外，论文还涵盖了可解释性推荐在不同推荐任务中的应用，如商品推荐、社交推荐和兴趣推荐等，展示了其在各个领域的适应性和潜力。论文进一步探讨了可解释性推荐与更广泛的人工智能和机器学习（AI/ML）研究之间的联系，尤其是在可解释性AI这一领域的重要性。 最后，作者提出了可解释性推荐未来可能的研究方向，鼓励更多的学者在这个领域展开深入探索，以推动推荐系统的智能化和人性化发展。通过这样的综合概述，该论文为有意从事可解释性推荐研究的人员提供了宝贵的参考资料。