随着互联网技术的成熟和大数据时代的到来,为了更好地理解用户,个性化推荐成为人工智能领域不可或缺的一部分。大数据技术的发展使得推荐技术依赖海量数据和海量特征组合获得了准确率的大幅提升,但也因此,人们忽视了对已知数据信息的充分挖掘。同时,随着准确率的提升,人们越来越多的关注推荐结果的可解释性,而目前推荐系统所给出的用户级别的解释或项目级别的解释过于粗泛。另一方面,当前国内外推荐系统都是基于特定领域设计的,如视频推荐,电商推荐等,这样的推荐系统能根据具体业务场景设计良好的操作界面及推荐策略。但是,这类推荐系统与业务结合紧密,兼容度低,无法对不同业务数据进行灵活适配,缺乏通用性。本文主要研究内容有以下三项:(1)提出并实现了可解释个性化推荐算法,基于自动特征选择和多任务学习,在给出推荐结果的同时给出重要特征组合作为本次推荐解释,实现了基于特征选择的多任务推荐算法(TMRM);在两个公开数据集上设计实验,将TMRM与其他经典模型对比,验证算法的高准确率,并设计案例分析和用户研究,验证算法良好的可解释性。(2)针对TMRM算法训练时间过长的问题,提出并实现了Fast TMRM算法,并基于同样的数据集和对比模型进行实验,验证了 Fast TMRM相对于TMRM在准确率有所提高且保持可解释性的情况下,训练速度提高60%以上。(3)设计并实现可解释的个性化推荐系统,对系统进行需求分析,对推荐的流程进行梳理,设计并实现了通用的可解释个性化推荐系统,并将系统在实验室项目中集成验证。