偏好还是意图？双重解耦协同过滤
信息检索
2023-05-19 v1 机器学习
摘要
人们选择物品通常有不同的意图，而在相同意图下他们的偏好也可能不同。在传统的协同过滤方法中，意图和偏好因素通常在建模过程中相互纠缠，这显著限制了推荐性能的鲁棒性和可解释性。例如，低评分物品常被视为负反馈，而它们实际上可以提供关于用户意图的正向信息。为此，本文提出一种双重表示学习方法，即双重解耦协同过滤（DDCF），用于个性化推荐。第一级解耦用于分离意图和偏好的影响因素，第二级解耦用于在有限计算复杂度下构建各意图下独立的稀疏偏好表示。具体而言，我们采用两个变分自编码器网络——意图识别网络和偏好分解网络——分别学习意图和偏好因素。这样，低评分物品将被视为建模意图的正样本，同时作为建模偏好的负样本。最后，在三个真实世界数据集和四个评价指标上的大量实验清楚地验证了DDCF的有效性和可解释性。
引用
@article{arxiv.2305.11084,
title = {Preference or Intent? Double Disentangled Collaborative Filtering},
author = {Chao Wang and Hengshu Zhu and Dazhong Shen and Wei wu and Hui Xiong},
journal= {arXiv preprint arXiv:2305.11084},
year = {2023}
}