基于知识图谱的后处理推荐系统：提升解释的时效性、流行性与多样性

现有的可解释推荐系统主要聚焦于建模推荐产品与用户已体验产品之间的关联关系，并据此生成相应的解释类型（例如，因用户曾观看过演员“y”主演的其他电影，故推荐由演员“y”主演的电影“x”）。然而，这些系统尚未深入探究单一解释的属性（如用户与该演员互动的近期性）以及推荐列表中一组解释的整体特性（如解释类型的多样性）对用户感知解释质量的影响程度。本文提出了三个新型解释质量属性，用于建模解释的优劣，包括：互动的近期性、共享实体的流行度以及解释类型的多样性，并据此设计了相应的重排序方法，以优化这些属性。在两个公开数据集上的实验结果表明，所提出的方法能够有效提升解释质量，且在不同人口统计群体间表现均衡，同时保持推荐系统的原有推荐效用。相关源代码与数据已开源，地址为：https://github.com/giacoballoccu/explanation-quality-recsys。