一个使用SHAP和自然语言解释的推荐系统混合可解释性框架

基于深度神经网络的推荐系统因其高预测准确性而广受认可，但其不透明性限制了透明度和可解释性，这是确保责任、公平和信任所需的关键特质，特别是随着解释权被越来越多地视为高风险决策中的法律和伦理义务。本研究提出了一种混合可解释性框架，结合了SHAP（Shapley附加解释）和自然语言论证，以增强推荐系统输出的可解释性。该框架集成本地和全局SHAP基础解释。本地解释分析实例级别Shapley值，以识别对单个推荐产生积极影响的特征，而在项目级别计算的全局Shapley值则捕获特征推荐项目的主导特征，并转化为项目级别的文本描述。这两个解释层随后用于利用大型语言模型生成一致且易读的人类可理解论证。该方法在基于职业信息网络（O*NET）能力档案的职业推荐引擎中实现。专家评估在五点Likert量表上显示，不同用户档案的平均评分介于3.7到4.4之间，表明对框架生成的解释的接受度中等偏高。研究结果表明，该框架增强了推荐过程中的透明度、公平性、责任感和用户信任。