基于异构关系图网络的推荐系统可解释性结题报告.docVIP

基于异构关系图网络的推荐系统可解释性结题报告

一、研究背景与问题提出

在数字经济与人工智能深度融合的时代，推荐系统作为信息过滤与个性化服务的核心技术，已广泛渗透到电商、社交、短视频等多个领域。据《2025年全球推荐系统市场报告》显示，全球推荐系统市场规模已突破800亿美元，年复合增长率达18.2%。然而，随着推荐系统应用场景的不断拓展，其“黑箱”特性引发的信任危机、算法偏见等问题日益凸显。

传统推荐系统如协同过滤、矩阵分解等方法，虽能在一定程度上实现个性化推荐，但由于缺乏对用户-物品交互关系的深层建模，其推荐结果往往难以解释。用户在面对推荐结果时，无法理解“为什么推荐该物品”，这不仅降低了用户对推荐系统的信任度，也限制了推荐系统在医疗、金融等对可解释性要求较高领域的应用。此外，欧盟《人工智能法案》等监管政策的出台，也对推荐系统的可解释性提出了明确要求。因此，如何构建兼具高性能与强可解释性的推荐系统，成为当前推荐系统领域亟待解决的关键问题。

异构关系图网络（HeterogeneousGraphNeuralNetworks,HGNNs）作为图神经网络的重要分支，能够对包含多种类型节点和边的异构信息网络进行建模，为推荐系统的可解释性研究提供了新的思路。异构关系图网络可以将用户、物品、属性等多种实体及其复杂关系统一建模，通过学习实体间的语义关联，为推荐结果提供直观的解释依据。基于此