추천 시스템에서 모델 생성 설명 제공은 사용자 경험에 매우 중요합니다. 최신 추천 알고리즘, 특히 얕은 또는 깊은 모델을 기반으로 하는 협업 필터링(CF) 접근 방식은 일반적으로 텍스트 리뷰, 시각적 이미지, 다양한 암시적 또는 명시적 피드백과 같은 다양한 비정형 정보 소스를 추천에 활용합니다. 구조화된 지식베이스는 콘텐츠 기반 접근 방식에서 고려되었지만, 최근에는 협업 필터링 접근 방식에 대한 연구 중점으로 인해 대부분 무시되어 왔습니다. 그러나 구조화된 지식은 개인화된 추천 시스템에서 독특한 장점을 보여줍니다. 사용자와 항목에 대한 명시적인 지식을 추천에 고려할 때, 시스템은 사용자의 과거 행동을 바탕으로 높이 맞춤화된 추천을 제공할 수 있으며, 이 지식은 추천 항목에 대한 정보적인 설명 제공에도 유용합니다. 지식베이스를 활용하여 추천하는 데 있어 큰 도전 과제는 대규모 구조화된 데이터를 통합하면서 협업 필터링의 정확성을 유지하는 방법입니다. 최근 지식베이스 임베딩(KBE) 분야의 성과는 이 문제 해결에 새로운 길을 열어주었습니다. 이를 통해 사용자와 항목 표현을 학습하면서 외부 지식과의 관계 구조를 유지하여 설명을 제공할 수 있습니다. 본 연구에서는 설명 가능한 추천을 위해 지식베이스 임베딩을 설명하는 것을 제안합니다. 구체적으로, 비동질 엔티티를 임베딩하기 위한 지식베이스 표현 학습 프레임워크를 제안하며, 이 임베딩된 지식베이스를 기반으로 개인화된 설명을 생성하기 위한 부드러운 매칭 알고리즘을 제안합니다. 실제 전자상거래 데이터셋에 대한 실험 결과는 우리의 접근 방식이 최신 베이선들과 비교하여 우수한 추천 성능과 설명 가능성을 입증하였습니다.