Recommender systems are ubiquitous and shape the way users access information and make decisions. As these systems become more complex, there is a growing need for transparency and interpretability. In this article, we study the problem of generating and visualizing personalized explanations for recommender systems that incorporate signals from many different data sources. We use a flexible, extendable probabilistic programming approach and show how we can generate real-time personalized recommendations. We then turn these personalized recommendations into explanations. We perform an extensive user study to evaluate the benefits of explanations for hybrid recommender systems. We conduct a crowd-sourced user study where our system generates personalized recommendations and explanations for real users of the last.fm music platform. First, we evaluate the performance of the recommendations in terms of perceived accuracy and novelty. Next, we experiment with (1) different explanation styles (e.g., user-based, item-based), (2) manipulating the number of explanation styles presented, and (3) manipulating the presentation format (e.g., textual vs. visual). We also apply a mixed-model statistical analysis to consider user personality traits as a control variable and demonstrate the usefulness of our approach in creating personalized hybrid explanations with different style, number, and format. Finally, we perform a post analysis that shows different preferences for explanation styles between experienced and novice last.fm users.

中文翻译：

---

在混合推荐系统中生成和理解个性化解释

推荐系统无处不在，并塑造了用户访问信息和做出决策的方式。随着这些系统变得越来越复杂，对透明度和可解释性的需求也越来越大。在本文中，我们研究了为包含来自许多不同数据源的信号的推荐系统生成和可视化个性化解释的问题。我们使用灵活、可扩展的概率编程方法，并展示我们如何生成实时个性化推荐。然后，我们将这些个性化推荐转化为解释。我们进行了广泛的用户研究，以评估混合推荐系统解释的好处。我们进行众包用户研究，我们的系统为 last.fm 音乐平台的真实用户生成个性化推荐和解释。第一的，我们根据感知的准确性和新颖性来评估推荐的性能。接下来，我们尝试（1）不同的解释风格（例如，基于用户的、基于项目的），（2）操纵所呈现的解释风格的数量，以及（3）操纵呈现格式（例如，文本与视觉） . 我们还应用混合模型统计分析将用户个性特征视为控制变量，并证明我们的方法在创建具有不同风格、数量和格式的个性化混合解释方面的有用性。最后，我们进行了后期分析，显示了 last.fm 经验丰富的用户和新手用户对解释风格的不同偏好。基于项目），（2）操纵呈现的解释风格的数量，以及（3）操纵呈现格式（例如，文本与视觉）。我们还应用混合模型统计分析将用户个性特征视为控制变量，并证明我们的方法在创建具有不同风格、数量和格式的个性化混合解释方面的有用性。最后，我们进行了后期分析，显示了 last.fm 经验丰富的用户和新手用户对解释风格的不同偏好。基于项目），（2）操纵呈现的解释风格的数量，以及（3）操纵呈现格式（例如，文本与视觉）。我们还应用混合模型统计分析将用户个性特征视为控制变量，并证明我们的方法在创建具有不同风格、数量和格式的个性化混合解释方面的有用性。最后，我们进行了后期分析，显示了 last.fm 经验丰富的用户和新手用户对解释风格的不同偏好。我们还应用混合模型统计分析将用户个性特征视为控制变量，并证明我们的方法在创建具有不同风格、数量和格式的个性化混合解释方面的有用性。最后，我们进行了后期分析，显示了 last.fm 经验丰富的用户和新手用户对解释风格的不同偏好。我们还应用混合模型统计分析将用户个性特征视为控制变量，并证明我们的方法在创建具有不同风格、数量和格式的个性化混合解释方面的有用性。最后，我们进行了后期分析，显示了 last.fm 经验丰富的用户和新手用户对解释风格的不同偏好。