推薦システムにおいてモデル生成の説明を提供することはユーザ体験にとって重要です。最先端の推薦アルゴリズム、特に浅層または深層モデルに基づく協調フィルタリング（Collaborative Filtering, CF）アプローチは、テキストレビュー、視覚画像、および様々な明示的または暗示的なフィードバックなどの非構造化情報源を用いて推薦を行うことが一般的です。構造化された知識ベースはコンテンツベースのアプローチで考慮されていましたが、最近ではCFアプローチへの研究の焦点が移ったため、ほとんど無視されるようになりました。しかし、構造化された知識はパーソナライズされた推薦システムにおいて独自の利点を持っています。ユーザとアイテムに関する明示的な知識を考慮に入れた場合、システムはユーザの履歴行動に基づいて非常にカスタマイズされた推薦を行い、この知識は推薦アイテムに関する情報に基づいた説明を提供するために役立ちます。知識ベースを用いた推薦における大きな課題は、大規模な構造化データを統合する方法であり、同時に協調フィルタリングの高精度な性能を活用することも必要です。近年の知識ベース埋め込み（Knowledge Base Embedding, KBE）技術の進歩はこの問題に光を当てており、外部知識との関係性の構造を保ちつつユーザとアイテムの表現を学習することが可能になりました。本研究では、説明可能な推薦のために知識ベース埋め込みを解釈することを目指します。具体的には、異種実体を埋め込むための知識ベース表現学習フレームワークを提案し、埋め込まれた知識ベースに基づいてパーソナライズされた説明を生成するソフトマッチングアルゴリズムを開発しました。実世界のECデータセットに対する実験結果により、我々の手法が最先端の基準モデルと比較して優れた推薦性能と説明力を持つことが確認されました。