本文综述了大型语言模型（LLMs）在推荐系统中的应用，提出了Logic-Scaffolding框架，通过行为对齐和意图对齐提升推荐解释的可信度。该框架结合推理步骤生成个性化解释，解决了现有模型的局限性。通过多任务学习优化推荐和解释任务，实验证明该方法在多个数据集上表现优异，提升了用户满意度和推荐效果。

本文研究了可解释人工智能中的半事实解释，比较了不同模型的可解释性，发现线性和树模型优于神经网络。引入基于偏好的框架以增强用户个性化解释，并提出新方法PIECE生成可信反事实，探讨反事实解释的计算复杂性及其在自动决策中的应用。

该论文介绍了概念相关传播（CRP）方法，结合本地和全局可解释人工智能（XAI），以回答预测的“何时”和“何物”问题。作者展示了该方法在不同设置中的应用，强调了概念地图和量化调查在细粒度决策中的作用。此外，提出了新框架EiX-GNN和GCExplainer，以提升图神经网络的可解释性和透明性，提供个性化的解释方式。

本研究通过实验研究了人类用户对语言模型可信度的感知和个性化解释对此感知的影响。发现准确反映模型内部可信度的解释能够增强用户对语言模型输出的信任和准确性评估。透明传达语言模型可信度在高风险应用中尤为重要。