个性化推荐技术在生活中已被广泛的应用。近年来已提出的推荐算法虽然其推荐性能有了显著提升,但是模型越来越复杂,导致出现了大量的黑盒模型。然而,黑盒模型却存在可解释性差的问题,可解释性推荐是解决此问题的有效手段,其不仅可以为用户提供推荐还可以对推荐的物品做出解释,使用户了解为什么推荐此物品,增加用户的信任度和满意度,从而提高推荐系统的精准度和说服力。所以,推荐系统的可解释性问题变得尤为重要。目前,嵌入式可解释性推荐模型将解释内置,使模型的灵活性较差。事后可解释性推荐模型旨在通过构建可理解用户行为的可解释性模型,为黑盒模型提供解释,以保持高预测精度和提高可解释性,使模型具有较强灵活性和鲁棒性。但是,现有的事后可解释性方法局限于物品层信息使得解释层较浅,因此如何利用辅助信息使解释更细粒度成为难点。本文提出了一种基于矩阵分解的事后可解释性推荐算法,该算法通过从评论中提取丰富信息以了解用户的购买行为,从而进一步对推荐结果做出细粒度的解释。在此基础上搭建了基于事后可解释性的推荐系统服务平台。主要研究工作如下:（1）基于矩阵分解的事后可解释性推荐算法。本文提出了一种基于矩阵分解的事后可解释性推荐算法,该算法利用评论中含有的丰富信息构建关注度矩阵分解模型,并作为可解释性模型来逼近黑盒模型,最终通过可解释性模型生成细粒度的解释。大量的实验表明,所提出的方法不仅保持了高预测精度,而且提供了直观且细粒度的解释。（2）基于事后可解释性的推荐系统设计与实现。本系统采用B/S结构,可根据用户需求选择可解释性推荐算法,并从不同角度对不同的事后可解释性推荐数据进行分析和挖掘,以实现精准推荐。通过设计并实现基于事后可解释性的推荐系统,以达到方便用户操作和使推荐结果更直观的目的。综上所述,本文针对事后可解释性推荐算法存在的问题,提供了一种新的解决思路和方案,提高了推荐的可解释性,并且通过实现基于事后可解释性的推荐系统,帮助用户更深层次的理解和应用。