面向不平衡推荐的基于 Gumbel 的评分预测框架

评分预测是推荐系统中量化用户对物品偏好的核心问题，然而评分不平衡天然根植于真实世界的用户评分中，导致有偏预测并在长尾评分上表现不佳。现有评分预测方法采用加权交叉熵对训练样本重加权，这类方法通常假设正态分布这一对称且平衡的空间。与正态假设相反，我们提出一种新颖的基于 \underline{\emph{G}}umbel 的 \underline{\emph{V}}ariational \underline{\emph{N}}etwork 框架（GVN）来建模评分不平衡，并通过 Gumbel 分布增强特征表示。我们提出基于 Gumbel 的变分编码器将特征变换到非正态向量空间。其次，我们部署多尺度卷积融合网络，从评分矩阵和用户评论中整合用户与物品的综合视图。第三，我们采用跳跃连接模块来个性化最终评分预测。我们在五个数据集上以基于误差和基于排序的指标进行了充分实验。排序与回归评估任务的实验证明，GVN 能跨数据集有效取得最先进性能，并减少长尾评分的有偏预测。我们与多种分布（如正态与泊松）比较，证明了基于 Gumbel 的方法在不平衡建模上的有效性。