融合图文的生成式可解释性推荐

来源：计算机应用与软件杂志2025年第9期北京时间：

作者：王成成, 王亚君, 南建岗

摘要：针对可解释推荐模型中推荐解释与用户实际偏好符合度不高，并缺乏不同背景用户与物品标签属性研究的问题，提出一种新的融合图文的生成式可解释推荐模型 (GIR-IT)。基于混合融合方式的多模态长短期记忆网络，将图像和文本等信息进行融合，提高模型的可解释性；将物品的标签经过独热编码加入到模型中，通过挖掘用户与物品标签的相关性来捕获用户个性化的偏好，提高模型的推荐准确率。在 Amazon 数据集上的实验结果表明，将提出的 GIR-IT 模型与经典基线模型 BPR、VBPR、NRT 和 VECF 相比，TOP-N 推荐准确率指标 F1 提高至 8.272%~11.693%，可解释性的文字生成损失降低了 2.73%~33.48%。

关键词：多模态融合, 可解释性, 标签推荐, 注意力机制