面向多样化推荐的解耦表示

准确性与多样性长期以来被视为推荐系统中两个相互冲突的目标。然而，我们指出，由于多样性通常通过某些预先选定的物品属性（例如最常用的类别）来衡量，只要多样化过程尊重用户对这些预选属性的偏好，就可以在不牺牲推荐准确性的前提下提升多样性。这要求对用户关于物品的偏好进行细粒度理解，即需要识别用户的选择是由物品本身的质量驱动，还是由物品的预选属性驱动。本文聚焦于基于物品类别定义的多样性。我们提出一个与推荐算法选择无关的通用多样化框架。我们的方案将推荐模块中学习到的用户表示解耦为类别无关和类别依赖两个分量，以从两个正交视角区分用户对物品的偏好。在三个基准数据集上的实验结果及在线A/B测试证明了我们的方案在同时提升推荐准确性和多样性方面的有效性。深入分析表明，这种提升源于我们对用户类别偏好的改进建模以及物品类别内的精细化排序。