Review of Explainable Graph-Based Recommender Systems

解释性推荐系统已经成为确保用户信任和满意的必要条件。已经提出了各种类型的可解释性推荐系统，包括可解释的基于图的推荐系统。本综述论文讨论了这些系统的最新方法，并根据三个方面对它们进行分类：学习方法、解释方法和解释类型。它还探讨了常用的数据集、可解释性评估方法以及这个研究领域的未来方向。与现有的综述论文相比，本文侧重于基于图的可解释性，并涵盖了开发新的可解释性基于图的推荐系统所需的主题。

探讨基于图的可解释推荐系统的最新研究进展，包括学习方法、解释方法和解释类型，以及常用数据集和评估方法。

本论文主要关注基于图的可解释推荐系统，提出了一种新的解释方法，即基于图的解释方法。通过对用户和项目之间的关系进行建模，将推荐过程转化为图上的节点分类问题，从而实现推荐结果的解释。

本论文介绍了基于图的可解释推荐系统的最新研究进展，包括学习方法、解释方法和解释类型，并探讨了常用数据集和评估方法。实验结果表明，基于图的解释方法可以有效提高推荐系统的解释性能。此外，本论文还提供了未来研究的方向和建议。

最近在这个领域中，还有一些相关的研究，如《基于知识图谱的可解释推荐系统》、《基于社交网络的可解释推荐系统》等。