生成遇见推荐：为成组用户提议新颖条目

考虑一家电影制片厂旨在制作一组新电影用于暑期档发布：它应制作什么类型的电影？这些电影会吸引谁？它应制作多少部电影？各类组织都会遇到类似问题，例如手机制造商和在线杂志，它们必须创建新的（不存在的）条目以满足具有不同偏好的成组用户。在本文中，我们提出这些相互关联问题的联合问题形式化，并提议同时解决这些问题的生成式方法。具体而言，我们利用通过训练深度生成模型——变分自编码器（VAE）——获得的潜空间，该训练采用的损失函数同时包含评分性能与条目重构项。我们随后应用一种贪心搜索算法，利用该学到的潜空间联合获得 K 个合理的新条目，以及会觉得这些条目有吸引力的用户组。我们在合成数据集上对所提方法的评估表明，我们的方法能够生成与高度理想但未观测到的条目相似的新颖条目。作为真实数据的案例研究，我们将方法应用于 MART 抽象艺术与 Movielens Tag Genome 数据集，取得了有前景的结果：小规模且多样的新型条目集。