CLARER：融合语义方面表示与对比学习的可解释推荐

在这项工作中，我们提出了一种新颖的推荐模型，CLARER（面向可解释推荐的方面表示的对比学习），它将从文本评论中学习到的方面特征与评级信息相结合，以提高推荐的准确性和可解释性。我们提出的框架通过结合基于评分的特征和评论中基于方面的特征来学习用户和项目表示。具体来说，基于评分的特征是通过多层感知器（MLP）模型学习的，而特定方面的评论表示是使用变压器编码器来学习的，以捕获语义信息和对比学习以更好地区分用户偏好。为了提供解释，我们使用来自评级和基于方面的特征的用户和项目的最终表示作为上下文来训练变压器解码器。三个基准数据集的实验结果表明，与基线方法相比，我们的模型在推荐（准确性）和解释生成方面均取得了优异的性能。