超越文字之美：基于成分的产品属性的可解释美妆产品推荐

准确的属性提取对于美妆产品推荐和建立客户信任至关重要。这仍然是一个未解决的问题，因为现有的解决方案往往不可靠且不完整。我们提出一个系统，利用基于美妆产品成分的端到端监督学习来提取美妆特定属性。我们系统的一个关键见解是一种新颖的基于能量的隐式模型架构。我们表明，这种隐式模型架构在准确性、可解释性、鲁棒性和灵活性方面提供了显著优势。此外，我们的隐式模型可以轻松微调，以在可用时纳入额外属性，使其在实际应用中更有用。我们在一个主要的电子商务护肤产品目录数据集上验证了我们的模型，并证明了其有效性。最后，我们展示了基于成分的属性提取如何有助于增强美妆推荐的可解释性。