2.3　推荐的可解释性

除了直接展示推荐结果，推荐系统往往还要展示恰当的推荐理由来告诉用户为什么系统认为这样的推荐是合理的。相关研究指出恰当的推荐理由可以提高用户对推荐结果的接受度^{[184]，[185]}，同时也可以提高用户在系统透明度、可信度、可辨性、有效性和满意度等方面的体验^{[20]，[186]，[187]}。但是，具体所采用的推荐算法可能影响推荐的可解释性和推荐理由的构建，并且隐变量模型的大量使用为推荐的可解释性带来了一定的难度^[186]。

为了解决相关问题，学术界和产业界都进行了一定的探索，例如在亚马逊等电子商务推荐系统中往往简单地给出“购买了该产品的用户也购买了”等简单的模板式推荐理由^[186]；在社交网站相关的推荐系统中，则可以看到诸如“你的好友也查看了该内容”等基于社交关系的推荐理由^{[188]，[189]}。然而，过度简化的一成不变的推荐理由难以为用户提供个性化的解释，降低了用户对推荐理由的信任度。

近年来，基于主题（topic）对推荐算法进行一定解释的方法得到了研究。例如，Mcauley等将主题模型（topic models）与矩阵分解进行结合，从而将主题与矩阵分解中的隐变量进行映射和解释^[190]；Ling等同样基于主题与隐变量的对齐，同时利用用户数值化评分和文本评论信息，解决推荐系统的冷启动问题^[191]；在此思想下，Bao等进一步提出了主题矩阵分解（topic MF）算法^[192]。

然而在实际系统中，用户提及某一主题时并非一定是在表达正面情感，而在很多情况下恰恰相反，是在表达负面情感，因此纯粹基于主题的方法往往在描述用户兴趣偏好时有所偏差^[193–195]。本研究基于短语级情感分析从评论中抽取产品属性词以及用户对其所表达的实际情感用于协同过滤，并将产品属性词作为具体的分解变量，提出了显式变量分解模型，从而使推荐结果可以根据模型给出个性化的推荐理由。