本文综述了解释性推荐的研究，探讨其在模型透明度和说服力方面的应用，提出多任务学习解决方案以提升用户满意度。研究表明，生成的文本解释在推荐性能上优于人类评论，并强调情感对齐的重要性。通过用户反馈优化推荐系统，提出新模型EmoTER，显著提高了解释质量和情感公平性。