用于推荐中偏好理解的因果解耦变分自编码器
信息检索
2023-04-18 v1 人工智能
摘要
推荐模型通常在观测到的用户交互数据上训练，但用户决策过程中潜在因素之间的交互导致复杂且纠缠的数据。解耦这些潜在因素以揭示其底层表示，可提升推荐模型的鲁棒性、可解释性与可控性。本文提出因果解耦变分自编码器（CaD-VAE），一种从推荐系统交互数据中学习因果解耦表示的新方法。CaD-VAE方法考虑了真实推荐场景中具有语义相关因素之间的因果关系，而非像现有解耦方法那样强制独立。该方法利用结构因果模型生成描述潜在因素间因果关系的因果表示。结果表明，CaD-VAE优于现有方法，为解耦推荐系统中复杂用户行为数据提供了有前景的方案。
引用
@article{arxiv.2304.07922,
title = {Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation},
author = {Siyu Wang and Xiaocong Chen and Quan Z. Sheng and Yihong Zhang and Lina Yao},
journal= {arXiv preprint arXiv:2304.07922},
year = {2023}
}