基于路径的图推荐算法总结解释 – 扩展版

本文综述了解释性推荐的相关研究，重点介绍了解释性模型、透明度和说服力等方面的应用。

研究探讨了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期研究，并提出潜在研究方向。

提出了一种人机交互框架ELIXIR，通过用户反馈学习隐含偏好向量，实现基于图结构的推荐系统优化。

讨论了群体推荐场景中的解释应用，提出基于偏好聚合策略的不同解释和可视化方法。

回顾了基于图学习的推荐系统，强调从图表示中提取知识以提高推荐的准确性、可靠性和可解释性。

提出了RecXplainer方法，生成细粒度推荐解释，实验结果显示其在捕捉用户喜好方面优于传统方法。

介绍了XRec模型无关框架，利用大型语言模型推动可解释推荐系统的发展，提供全面的解释能力。

结合大型语言模型和知识图谱的方法增强推荐系统的效果和可解释性，实验证明其在交叉销售推荐中的潜力。

研究发现，基于图形的解释比特征重要性设计更易用，但文本解释的理解程度更高，平衡社会期望与结果性能是重要挑战。

通过分类和分析可解释图基推荐系统，发现提升可解释性可以增强用户信任和满意度，为未来研究提供方向。