DualVAE：用于推荐的双重解耦变分自编码器

学习用户和物品的精确表示以拟合观察到的交互数据是协同过滤的基本任务。现有研究通常推断纠缠的表示来拟合此类交互数据，忽略了对其交互背后用户与物品之间多样化匹配关系的建模，导致性能有限且可解释性弱。为解决这一问题，我们提出了一种用于协同推荐的双重解耦变分自编码器（DualVAE），它将解耦表示学习与变分推断相结合，以促进隐式交互数据的生成。具体来说，我们首先通过统一注意力感知的双重解耦和解耦变分自编码器来实现解耦概念，以推断用户和物品的解耦潜在表示。此外，为了促进用户和物品解耦表示的对应性和独立性，我们设计了一种带有定制对比机制的邻域增强表示约束，以提高表示质量。在三个真实世界基准数据集上的大量实验表明，我们提出的模型显著优于近期几个最先进的基线模型。进一步的实证实验结果也说明了 DualVAE 学习到的解耦表示的可解释性。