面向物品推荐的双重偏好分布学习

推荐系统能够自动向用户推荐其可能喜欢的物品。其目标是通过有效表征用户与物品来建模用户-物品交互。现有方法主要利用向量化嵌入学习用户偏好与物品特征，并通过二者的交互来建模用户对物品的通用偏好。事实上，用户对物品属性具有特定偏好，且不同偏好通常相互关联。因此，探索细粒度偏好并建模用户不同偏好之间的关系可提升推荐性能。为此，我们提出一种双重偏好分布学习框架（DUPLE），旨在联合学习给定用户的通用偏好分布与特定偏好分布，前者对应用户对物品的通用偏好，后者指用户对物品属性的特定偏好。值得注意的是，每个高斯分布的均值向量可捕捉用户偏好，协方差矩阵可学习其关系。此外，我们能为每个用户总结一份偏好属性画像，刻画其偏好的物品属性。进而可通过检查推荐物品的属性与用户偏好属性画像之间的重叠，为每项推荐物品提供解释。在六个公开数据集上的大量定量与定性实验证明了 DUPLE 方法的有效性与可解释性。