代码：https://github.com/AllminerLab/Code-for-KAERR-master摘要双向推荐系统（RRS）在线上相亲和求职招聘等在线平台中得到了广泛的应用。它们可以同时满足推荐过程中涉及的两方的需求。由于任务本身的特性，与其他推荐任务相比，交互数据相对稀疏。现有的工作主要通过基于内容的推荐方法来解决这个问题。然而，这些方法通常从统一的角度隐式地对文本信息进行建模，这使得捕捉每一方持有的不同意图变得具有挑战性，进一步导致性能有限和缺乏解释性。在本文中，我们提出了一个知识感知的可解释双向推荐系统（Knowledge-AwareExplainableReciprocal

作者：禅与计算机程序设计艺术1.简介ExplainableArtificialIntelligence（XAI）是一种通过可解释的方式来帮助机器学习系统理解自身运作方式，进而更好地被人类所理解的领域。其发展历史可以追溯到1987年IBMWatson团队发表的一篇文章《TheVisionofAI:ACognitiveViewoftheFuture》中提出的概念。这之后，由于学术界和工业界的共同努力，人们开始关注、研究并尝试基于规则的机器学习方法并不能完全解决复杂的问题。因此，出现了基于统计学习和深度学习技术的模式识别模型来帮助人们解决这一难题。但是，这些模型并不像人的思维一样易于理解和掌握，尤其

在前面的学习之中，我们已经学习了很多的模型，它能够针对特定的任务，接受我们的输入并产生目标的输出。但我们并不满足于此，我们甚至希望机器告诉我们，它是如何得到这个答案的，而这就是可解释的机器学习。WhyweneedExplainableML首先我们要明确，即使我们训练出来的模型能够得到一个正确的输出，但是这并不代表它真正学习到了内核的规律所在，因此我们总是希望能够知道为什么机器给出这个答案，在一些特定的场景也是如此：例如将机器学习用于医疗诊断，那我们希望机器做出来的决策是有根据的将机器学习用于法律，那我们也希望看到机器学习做出判定背后的原因，是否存在歧视问题等而且如果我们能够拥有可解释性的机器学

在前面的学习之中，我们已经学习了很多的模型，它能够针对特定的任务，接受我们的输入并产生目标的输出。但我们并不满足于此，我们甚至希望机器告诉我们，它是如何得到这个答案的，而这就是可解释的机器学习。WhyweneedExplainableML首先我们要明确，即使我们训练出来的模型能够得到一个正确的输出，但是这并不代表它真正学习到了内核的规律所在，因此我们总是希望能够知道为什么机器给出这个答案，在一些特定的场景也是如此：例如将机器学习用于医疗诊断，那我们希望机器做出来的决策是有根据的将机器学习用于法律，那我们也希望看到机器学习做出判定背后的原因，是否存在歧视问题等而且如果我们能够拥有可解释性的机器学

一、摘要在社交媒体上的虚假信息检测具有挑战性，因为它通常需要烦冗的证据收集，但又缺乏可用的比较信息。从用户评论中挖掘出的线索作为群体智慧，可能对这项任务有相当大的好处。然而，考虑到内容和评论的隐式相关性，捕获复杂的语义是很简单的。虽然深度神经网络具有较好的表达能力，但缺乏可解释性是其主要的缺点。本文主要关注如何从社交媒体上的帖子内容和相关评论中学习，以更有效地理解和检测虚假信息，并具有可解释性。因此，本文提出了一种基于量子概率的符号注意网络（QSAN），该网络将量子驱动的文本编码和一种新的符号注意机制集成在一个统一的框架中。QSAN不仅能够区分重要的评论和其他的评论，而且还可以利用评论中相互冲

一、摘要在社交媒体上的虚假信息检测具有挑战性，因为它通常需要烦冗的证据收集，但又缺乏可用的比较信息。从用户评论中挖掘出的线索作为群体智慧，可能对这项任务有相当大的好处。然而，考虑到内容和评论的隐式相关性，捕获复杂的语义是很简单的。虽然深度神经网络具有较好的表达能力，但缺乏可解释性是其主要的缺点。本文主要关注如何从社交媒体上的帖子内容和相关评论中学习，以更有效地理解和检测虚假信息，并具有可解释性。因此，本文提出了一种基于量子概率的符号注意网络（QSAN），该网络将量子驱动的文本编码和一种新的符号注意机制集成在一个统一的框架中。QSAN不仅能够区分重要的评论和其他的评论，而且还可以利用评论中相互冲