面向推荐系统的解耦表示学习
机器学习
2019-11-01 v1 信息检索
机器学习
摘要
推荐系统中的用户行为数据由用户决策过程背后诸多潜在因素的复杂交互所驱动。这些因素高度纠缠，既可能包含支配用户意图的高层因素，也可能包含用户在执行意图时表征其偏好的低层因素。学习能够揭示并解耦这些潜在因素的表示，可带来更强的鲁棒性、可解释性与可控性。然而，从用户行为中学习此类解耦表示具有挑战性，且在现有文献中基本被忽视。本文提出 MACRo-mIcro 解耦变分自编码器（MacridVAE），用于从用户行为中学习解耦表示。我们的方法通过推断与用户意图相关的高层概念（例如购买衬衫或手机）实现宏观解耦，同时分别捕捉用户针对不同概念的偏好。源于 VAE 信息论解释的微解耦正则化器，随后强制表示的每一维度独立反映一个孤立的低层因素（例如衬衫的尺寸或颜色）。实验结果表明，我们的方法相较最先进的基线方法可实现显著提升。我们进一步证明，所学表示具有可解释性与可控性，这有望催生一种全新的推荐范式，使用户能对推荐列表的目标方面进行细粒度控制。
引用
@article{arxiv.1910.14238,
title = {Learning Disentangled Representations for Recommendation},
author = {Jianxin Ma and Chang Zhou and Peng Cui and Hongxia Yang and Wenwu Zhu},
journal= {arXiv preprint arXiv:1910.14238},
year = {2019}
}
备注
To appear in the Proceedings of the Thirty-third Conference on Neural Information Processing Systems (NeurIPS 2019)