可解释推荐系统中人机交互的展示内容、方法及评估体系综述

《Big Data Mining and Analytics》：Display Content, Display Methods, and Evaluation Methods of the HCI in Explainable Recommender Systems: A Survey

本文针对可解释推荐系统(XRS)中人机交互(HCI)层研究缺乏系统分类的问题，对XRS的展示内容、展示方法和评估方法进行全面综述。研究人员提出基于生命周期的四阶段框架，首次引入视频解释等多媒体技术路径，并构建了定性定量相结合的评估体系。该研究为XRS的系统化设计提供了理论支撑和实践指导，对推动可解释人工智能(XAI)发展具有重要意义。

　　

随着人工智能技术的快速发展，推荐系统已广泛应用于电子商务、社交媒体和医疗健康等领域。然而，传统的推荐系统往往如同"黑箱"，用户难以理解其推荐逻辑，导致信任度降低和用户体验下降。在这一背景下，可解释推荐系统(XRS)应运而生，其目标是让推荐过程变得透明可理解，成为人工智能领域的重要研究方向。

当前研究存在明显不足：一方面，现有综述多聚焦算法层面，对人机交互(HCI)层的关注较少；另一方面，XRS的分类体系混乱不堪，缺乏统一标准。更令人担忧的是，在短视频推荐蓬勃发展的今天，基于多媒体的解释方法研究严重滞后。这些问题严重制约了XRS的进一步发展和应用。

为解决这些问题，发表在《Big Data Mining and Analytics》上的这篇综述文章进行了系统性探索。研究人员采用文献计量学方法，基于PRISMA指南从ACM、IEEE等主流数据库筛选出102篇核心文献，构建了一个完整的XRS研究框架。

研究采用了多种关键技术方法：首先建立了基于生命周期的四阶段分析框架（数据输入、推荐算法、解释展示、评估），然后系统梳理了模型解释方法（包括基于模型的方法如协同过滤、知识图谱等，以及后处理方法如LIME、SHAP等），最后创新性地引入了多媒体解释技术特别是视频摘要和生成方法。研究还采用了多维度评估体系，结合在线/离线评估和用户研究等方法。

展示内容分析：

研究将XRS的展示内容分为五类：基于用户的解释通过相似用户行为说明推荐理由；基于项目的解释强调项目间的关联性；基于特征的解释突出物品属性与用户偏好的匹配；基于逻辑的解释展示推荐过程的推理路径；混合内容解释则综合多种方式提供多角度说明。每种解释方式都有其独特的应用场景和优势。

展示方法创新：

在展示方法方面，研究发现了四大类技术：文本解释通过自然语言描述推荐逻辑；可视化解释运用图表等视觉元素降低用户认知负荷；混合元素解释结合文本与多种可视化形式；多媒体解释则创新性地利用视频等富媒体形式。特别是视频解释方法，虽然研究尚处起步阶段，但其通过动态演示产品使用场景，显著提升了用户参与度和理解度。

评估体系构建：

评估方法分为定量和定性两大类。定量评估通过算法指标衡量解释质量，包括项目级评估（如可解释项目比例）和特征级评估（如特征匹配率）。定性评估则关注用户体验，基于透明度、信任度、有效性等七大维度，采用用户调查和实验等方法。研究还首次提出解释稳定性的概念，为评估提供了新视角。

研究结论表明，可解释推荐系统的发展需要算法、界面设计和评估方法的协同创新。作者提出的统一框架不仅解决了现有分类混乱的问题，还为多媒体解释技术提供了发展路径。值得注意的是，随着解释内容和形式的复杂化，如何平衡解释详细度和用户认知负荷成为关键挑战。

这项研究的重要意义在于：首先，为XRS研究提供了系统化的理论框架和实践指南；其次，开创性地将多媒体技术纳入解释体系，为短视频推荐等新兴领域奠定了基础；最后，建立的综合评估体系为后续研究提供了标准化工具。这些成果将推动可解释人工智能在更多领域的应用，最终实现"透明、可信、可控"的智能推荐服务。