The amount of data available on the Internet increases the importance of Recommender Systems. However, recommender systems can be seen as a black box to the users, motivating studies to explain why a recommendation has been made. Most of the approaches only use the structured data and the users interactions, and recently, approaches have begun to use the users annotations. Nevertheless, explanation algorithms are frequently limited to a restricted group of recommendation algorithms that can be explained. However, agnostic approaches have been studied to solve this problem. Moreover, proposals of recommender systems with serendipity have become common, and explanations with different levels of details can improve the knowledge discovery process and the users satisfaction. In this context, this project proposes to enable explanations with different levels of detail, utilizing user reviews and hierarchical clustering techniques. The hierarchical clustering enables a vision of different levels of granularity of aspects, and user reviews may provide aspects and sentences to summarize their explanations.

Com a grande quantidade de conteúdos disponíveis na Internet, a importância de sistemas de recomendação se torna cada vez maior. Porém, devido à complexidade, os parâmetros das recomendações podem não ser claros ao usuário, o que motivou estudos que visam explicar as recomendações. Muitas das abordagens envolvem somente dados de interações de usuários e dados estruturados, mas recentemente abordagens que utilizam anotações de usuários vem sendo notadas. Entretanto, frequentemente os algoritmos de explicação estão limitados a um grupo de modelos que são intrinsecamente explicáveis, e estudos recentes exploram explicações agnósticas ao modelo de recomendação para contornar esse problema. Além disso, propostas de sistemas de recomendação com níveis de surpresa se tornam cada vez mais comum, e explicações com diferentes níveis de detalhamento podem colaborar com a descoberta de conhecimento e com a satisfação do usuário. Nesse sentido, a proposta deste projeto é possibilitar a geração de explicações com diferentes níveis de detalhamento, utilizando técnicas de agrupamento hierárquico de aspectos extraídas de revisões de usuários. O agrupamento hierárquico pode oferecer diferentes níveis de granularidades de aspectos e as revisões podem fornecer aspectos e sentenças para sumarização de explicações de itens.