面向基于 VAE 推荐系统的正向与负向批评

为推荐项提供解释可使用户通过批评解释的某些部分来精炼推荐。作为从多模态生成模型视角重新审视批评的结果，近期工作提出了 M&Ms-VAE，其在推荐、解释和批评方面达到了最先进的性能。M&Ms-VAE 及类似模型允许用户进行负向批评（即明确不同意）。然而，它们存在一个显著缺陷：用户无法进行正向批评（即突出期望的特征）。我们以 M&Ms-VAE+ 解决这一不足，它是 M&Ms-VAE 的扩展，支持正向与负向批评。除建模用户的交互与关键词使用偏好外，我们还建模了他们的关键词使用厌恶。此外，我们设计了一个以自监督方式训练的崭新批评模块。我们在两个数据集上的实验表明，M&Ms-VAE+ 在推荐与解释性能上匹配或超越了 M&Ms-VAE。进一步，我们的结果显示，对正向与负向批评采用不同表示使 M&Ms-VAE+ 在正向与负向多步批评中显著优于 M&Ms-VAE 及其他模型。