In Empfehlungssystemen für Mode besteht jedes Produkt in der Regel aus mehreren semantischen Attributen (z.B. Ärmeln, Kragen usw.). Bei der Auswahl von Kleidungsstücken zeigen Menschen in der Regel Vorlieben für verschiedene semantische Attribute (z.B. Kleidung mit V-Ausschnitt). Dennoch verstehen die meisten bisherigen Modellierungen von Fashion-Empfehlungssystemen die Bilder von Kleidungsstücken durch eine globale Inhaltsrepräsentation und fehlen dabei an einer detaillierten Auffassung der semantischen Präferenzen der Nutzer, was oft zu einem schlechteren Empfehlungsleistung führt. Um diese Lücke zu schließen, schlagen wir ein neues semantisches Attribut-erklärendes Empfehlungssystem (SAERS) vor. Insbesondere führen wir zunächst einen feingranularen interpretierbaren semantischen Raum ein. Anschließend entwickeln wir ein Semantisches Extraktionsnetzwerk (SEN) und ein Modul zur Feingranularität von Präferenz-Aufmerksamkeit (FPA), um Nutzer und Artikel jeweils in diesen Raum zu projizieren. Mit SAERS sind wir in der Lage, nicht nur Kleiderempfehlungen für Nutzer zu geben, sondern auch den Grund für unsere Empfehlungen durch intuitive visuelle Attribute-Highlights auf personalisierte Weise zu erklären. Ausführliche Experimente mit realen Datensätzen belegen deutlich die Effektivität unseres Ansatzes im Vergleich zu den besten bisher bekannten Methoden.