推荐系统引导用户从种类繁杂、数量众多的产品中发现感兴趣的候选项,在缓解用户选择困难的同时提高了平台的点击率和交易率。然而,大多数推荐方法以准确性为唯一优化目标,造成了信息茧房、长尾效应等问题。这推动了惊喜度推荐的出现——致力于提供能够引起用户兴趣但又处于其发现能力之外的产品。已有的惊喜度推荐方法主要存在三个问题:定义缺乏客观性、无关推荐问题和缺乏可解释性。针对以上问题,本文提出了可解释的弹性惊喜度推荐方法,试图平衡推荐准确性和差异性,提高可解释性。具体来说,本文的主要研究内容、贡献以及创新点如下:（1）更客观地定义了推荐惊喜度。不同于已有方法根据作者的主观想法定义惊喜度,本文通过分析真实数据集,提出了推荐惊喜度是准确性和差异性的平衡状态的观点。（2）提出了推荐系统中弹性的概念和基于弹性的惊喜度推荐方法。偏好广泛的用户更倾向于接收与其历史不同的产品,而偏好单一的用户则倾向于接收相对熟悉的推荐产品。针对这一现象,本文提出弹性的概念和基于弹性的惊喜度推荐方法,针对用户和产品特征灵活调节用户和推荐产品之间的关联程度,从而达到推荐准确性和差异性的平衡。（3）提出了惊喜度向量的概念和可解释的定向惊喜度推荐方法。已有方法通常使用标量来度量用户和产品之间的关联,忽略了二者在潜在空间中的方向关系。针对这一问题,本文提出惊喜度向量的概念,并基于此提出定向惊喜度推荐方法,增强用户长期偏好在推荐过程中的导向作用。同时,本文提出一种惊喜度推荐中解释生成的方法,合理的解释能够在一定程度上提高用户的接受率和满意度。