基于 VAE 的推荐系统的快速多步批评
信息检索
2021-07-09 v2 人工智能
机器学习
摘要
近期研究表明，在推荐旁提供个性化解释可增进信任与感知质量。此外，它让用户有机会通过批评解释的部分来精炼推荐。一方面，当前推荐系统联合建模推荐、解释和批评目标，但这在各自性能间产生固有权衡。另一方面，尽管近期潜在线性批评方法构建于已有推荐系统之上，它们因每轮对话优化的目标而在推断时计算低效。我们以 M&Ms-VAE 解决这些缺陷，这是一种基于多模态建模假设的用于推荐与解释的变分自编码器。我们在弱监督方案下训练模型以模拟完全与部分观测变量。然后，我们利用训练后 M&Ms-VAE 模型的泛化能力分别嵌入用户偏好与批评。我们工作最重要的创新是批评模块，它构建并以自监督方式用简单排序目标训练。在四个真实数据集上的实验表明，在 SOTA 模型中，我们的系统首个在推荐、解释和多步批评性能上主导或匹敌。此外，M&Ms-VAE 处理批评比最佳基线快达 25.6 倍。最后，我们展示得益于基于多模态的建模与训练方案，即使弱监督下模型也能推断连贯的联合与交叉生成。
引用
@article{arxiv.2105.00774,
title = {Fast Multi-Step Critiquing for VAE-based Recommender Systems},
author = {Diego Antognini and Boi Faltings},
journal= {arXiv preprint arXiv:2105.00774},
year = {2021}
}
备注
Accepted at RecSys 2021. 19 pages, 7 figures, 5 tables