互联网、人工智能等技术与网络购物规模迅猛发展,个性化推荐技术已广泛运用到人们网络生活的方方面面。而随着数据的爆发式增长和信息技术的飞速发展,新出现的推荐模型愈加复杂、数据输入和数据类型越来越多,传统推荐模型存在可解释性较低、推荐结果过度特化、对用户的内在特质关注不足以及推荐结果的可解释性较差等问题。适当的解释可以更容易地说服用户尝试该物品,增加用户信任,改善用户体验,帮助用户做出更好的决策。可解释的机器学习模型是近年来学术界和产业界日益关注的重要课题,越来越多的学者指出,实现具有推理、认知与可解释性的人工智能将是接下来AI研究与发展的重要方向。另外,感知价值显著影响用户决策和采纳意愿,在预测用户购买行为上扮演着重要角色,能够很好地解释用户偏好、满意度和购买行为。基于以上研究与社会背景,本文提出基于感知价值的可解释个性化推荐方法。可解释的推荐系统将向用户提供两方面的内容,一是推荐结果列表,二是相应推荐结果的解释。用户对于推荐项目的感知价值（推荐结果质量）及对于解释信息的感知价值（推荐信息质量）会综合影响用户的满意度及其采纳意愿。因而本文将从以上两方面梳理相关理论基础、提炼出研究模型,构建基于感知价值的可解释个性化推荐模型。首先,基于信息感知价值的推荐解释采纳意愿研究。根据信息感知价值理论中的技术接受模型,采用实验+问卷的方法,探讨揭示不同的可解释推荐方法及推荐呈现形式如何影响用户的感知有用性及感知易用性、乃至影响用户的满意度及采纳意愿。然后,基于产品感知价值的购买影响因素研究。根据产品感知价值理论,消费者网络行为数据、产品信息数据、产品评论数据,从品质感知价值、价格感知价值、服务感知价值、社会感知价值四个维度,提取与表征相关感知价值的产品特征信息,采用多种机器学习算法（贝叶斯、SVM、随机森林、感知机）构建消费者偏好预测模型,并探讨各维度感知价值对于消费者偏好的预测解释力以揭示其影响大小。另外采用层次回归分析的方法探讨产品类别在各维度感知价值与消费者偏好之间的调节作用。第三步,基于产品感知价值长短偏好调节的可解释个性化推荐方法研究。根据第二步研究结论,提出面向用户长短偏好调节的可解释个性化推荐方法。从用户近期产品需求及其长期感知价值两个维度构建用户长短偏好模型,借鉴用户评分偏置及注意力机制,将用户长短偏好与其评分相结合进行评分预测,从而形成Top-N推荐。最后,基于感知价值的深度学习可解释个性化推荐模型研究。根据以上研究结果,构建面向用户信息感知价值及产品感知价值的可解释个性化推荐系统。我们采用深度学习模型,构建基于产品感知价值及推荐解释感知价值的可解释推荐模型,并基于注意力模型学习推荐结果的各维度产品感知价值权重参数,形成结构化、客观、易理解的推荐解释模型。主要研究结果包括:（1）推荐解释的透明性显著影响用户的信任、感知有用性和感知易用性;推荐解释的透明性和信任度显著影响用户的满意度和采纳意愿;因而推荐解释应尽可能客观地提供用户偏好需求相关的信息,提升用户的信任,并以规范,简洁的形式呈现给用户,便于用户理解与捕捉要点。（2）品质感知价值和价格感知价值对于用户的购买意愿影响最为显著,大多数用户首先关注的是产品的功能和价格;服务感知价值对于用户购买意愿的影响不大;因而在电商网络购物环境中,对用户进行产品推荐时,应更多的考虑消费者的价格感知价值与品质感知价值,以提升用户对于推荐结果的满意度及购买率;另外也要同时考虑产品的社会感知价值,用户倾向于选择评论数量更多即销量更高以及评论更倾向于正向的产品。（3）探讨了个性化推荐系统评价指标的可调节机制,基于用户长短偏好系数的改变,对推荐结果的准确性和多样性进行调整,为应对推荐结果的“过度特化”问题提供思路。（4）本文提出的基于感知价值的深度学习可解释推荐模型（PVDLRM）能针对用户的感知价值进行相应产品的推荐,提升了推荐结果的准确性与召回率,其推荐呈现形式从感知有效性和感知易用性两方面提升了推荐解释的效果,便于用户更快的选择到合适的产品。另外,我们的解释将客观、全面的呈现用户的正向与负向观点,可提升用户对于推荐系统的信任。总体而言,本论文从感知价值的视角,探讨了用户对于商品和推荐解释的偏好及影响因素;并基于此提出了基于感知价值的可解释推荐模型。提升了推荐算法的性能的同时,也提出了一种全面、客观且易于用户理解的推荐解释模型。本文共分为七个章节:第一章,绪论。梳理国内外相关研究现状与背景,归纳当前个性化推荐研究现状,并提出本文研究问题。第二章,相关研究与理论基础。将从个性化推荐和消费者感知价值两个领域介绍本论文的相关研究和理论基础。第三章,基于信息感知价值的推荐解释偏好研究。将探讨揭示推荐解释的用户采纳意愿影响因素,并研究用户对于不同类型推荐解释的偏好。第四章,基于产品感知价值的购买意愿影响因素研究。使用B2C电商网站的用户网络行为数据、产品信息数据和产品评论数据,探讨各维度感知价值对于用户偏好的影响,分析产品类别对于各维度感知价值和用户购买意愿的调节作用。第五章,长短偏好调节的可解释个性化推荐方法研究。基于第四章研究结果,从用户产品感知价值的影响因素出发,根据用户近期关注的产品类别及其感知价值构建其长短偏好模型,借鉴用户评分偏置及注意力机制,通过调整用户各方面偏好的权重,生成不同的推荐列表,并形成相应解释。第六章,基于感知价值的深度学习可解释推荐模型。基于以上研究结果和结论,本章节将从两个方面构建基于用户感知价值的可解释推荐系统模型。第七章,总结与展望。对本文的研究内容,研究结论以及管理意义进行全面总结,并指出了本文存在的研究不足,以此提出了下一阶段的研究方向。本文的创新之处主要体现在:理论上,从算法层面,将推荐模型的可解释性总结为:基于相似度的解释、基于频率的解释、基于显式因子的解释、基于规则的解释、基于实体关系的解释、基于注意力机制的解释六种。对推荐解释的感知价值各维度影响因素之间的关系进行了详细的探讨与论证,并构建相应模型,为相应推荐解释的研究提供了理论依据。方法上,针对现有感知价值对用户购买意愿影响的研究偏向于问卷调查和实验方法,本文使用网络行为数据及商品信息数据,采用大数据分析的方法探讨了用户购买行为的感知价值影响因素,为基于大规模营销数据的消费者感知价值研究提供了思路与方法。探讨了个性化推荐系统评价指标的可调节机制,基于用户长短偏好系数的改变,对推荐结果的准确性和多样性进行调整,为应对推荐结果的“过度特化”问题提供思路。实践上,提出网络购物环境下,电商平台应采取更有效的方式反映商家的服务水平,如采用更加细致的评分管理策略,或组织成立相应的中间服务监督及打分机构。提出了一种兼顾感知有用性与感知易用性的推荐解释模型,能尽量全面、客观的向用户提供推荐产品的相应信息,并以简洁、格式化易理解的形式呈现给用户。