Dans les systèmes de recommandation de mode, chaque produit est généralement composé de plusieurs attributs sémantiques (par exemple, manches, col, etc.). Lorsqu'ils prennent des décisions vestimentaires, les gens montrent souvent des préférences pour différents attributs sémantiques (par exemple, les vêtements à col en V). Cependant, la plupart des modèles de recommandation de mode précédents comprennent les images de vêtements par une représentation globale du contenu et manquent d'une compréhension détaillée des préférences sémantiques des utilisateurs, ce qui entraîne généralement une performance inférieure en matière de recommandation. Pour combler cette lacune, nous proposons un nouveau système de recommandation explicatif basé sur les attributs sémantiques (SAERS). Plus précisément, nous introduisons d'abord un espace sémantique interprétable à grain fin. Nous développons ensuite un réseau d'extraction sémantique (Semantic Extraction Network - SEN) et un module d'attention aux préférences à grain fin (Fine-grained Preferences Attention - FPA) pour projeter respectivement les utilisateurs et les articles dans cet espace. Avec le SAERS, nous sommes capables non seulement de fournir des recommandations vestimentaires aux utilisateurs, mais aussi d'expliquer pourquoi nous recommandons ces vêtements grâce à des mises en évidence sémantiques visuelles intuitives et personnalisées. De nombreuses expériences menées sur des jeux de données réels démontrent clairement l'efficacité de notre approche par rapport aux méthodes les plus avancées actuellement disponibles.