基于注意力多角色协同过滤的可解释推荐
信息检索
2020-10-15 v1 人工智能
机器学习
摘要
推荐系统中的两个主要挑战是建模具有异质品味的用户，以及提供可解释的推荐。在本文中，我们提出神经注意力多角色协同过滤（AMP-CF）模型，作为这两个问题的统一解决方案。AMP-CF 将用户分解为若干潜在的“角色”（profile），以识别并区分用户不同的品味与倾向。随后，所揭示的角色被用于生成并解释用户的最终推荐列表。AMP-CF 将用户建模为角色的注意力混合，实现了基于所考虑物品而动态变化的用户表示。我们在来自电影、音乐、视频游戏和社交网络领域的五个协同过滤数据集上验证了 AMP-CF。作为额外贡献，我们提出了一种基于用户历史物品中“品味”底层分布距离的、用于比较推荐列表中不同物品的新评估方案。实验结果表明，AMP-CF 与其他 SOTA 模型具有竞争力。最后，我们提供定性结果以展示 AMP-CF 解释其推荐的能力。
引用
@article{arxiv.2010.07042,
title = {Explainable Recommendations via Attentive Multi-Persona Collaborative Filtering},
author = {Oren Barkan and Yonatan Fuchs and Avi Caciularu and Noam Koenigstein},
journal= {arXiv preprint arXiv:2010.07042},
year = {2020}
}
备注
Accepted to RecSys 2020