随着信息技术的高速发展,5G技术已经步入了商业化的进程,信息过载问题愈发凸显。推荐系统的出现很大程度上缓解了信息过载问题,现做为一种基础技术应用于电影、电商、新闻和自媒体等行业。电影作为一种主流的休闲娱乐方式深受人们喜爱,影视行业的快速发展,已经积累了大量的影视资源,每部影片都各具特色,观众的偏好各不相同,如何找到符合自己偏好的电影成为一大难题。随着机器学习和深度学习在推荐系统领域的不断发展,推荐系统的精度越来越高,但仅为用户提供推荐结果是不充分的,有研究表明,在为用户提供推荐物品的同时,向用户说明推荐理由有助于提高推荐系统的透明度和用户满意度。本文主要针对电影推荐系统中的解释生成相关问题展开研究。本文提出一种基于主题词生成个性化推荐解释的算法。该算法主要分为推荐模块和解释生成两个模块,推荐模块采用多层感知机模型,解释生成模块使用融合语义的词频统计方法,从用户评论信息中提取主题词,结合门循环神经网络生成推荐解释。豆瓣电影数据集上的实验表明该算法在推荐精度和推荐解释生成上都有良好的表现。本文提出一种融合近邻评论的推荐解释生成算法。该算法分为近邻评论集构建及处理、评分预测和解释生成三个部分,评分预测模块采用的是多层感知机,解释模块通过构架近邻评论集来补充缺失的评论数据,使用主题发现模型从评论集中挖掘目标用户对该物品的偏好主题词,最后结合预先定义好的模板生成推荐解释。本文设计了一个可解释性电影推荐系统,该系统是基于Spark分布式平台开发而成,数据集采用的是Movie Lens-10M公开数据集,推荐算法使用的是多层感知机和基于物品协同过滤等推荐算法。该系统验证了上述两种推荐解释生成算法的可行性。