风格条件化推荐
信息检索
2019-08-06 v2 机器学习
机器学习
摘要
我们提出风格条件化推荐（SCR），并引入风格注入作为一种使推荐多样化的方法。我们使用条件变分自编码器（CVAE）架构，其编码器和解码器均以从物品内容数据学习的用户画像为条件。这使我们能够将风格迁移方法应用于推荐任务，我们称之为注入。为启用风格注入，用户画像被学习为可解释的，以表达用户对特定预定义风格的倾向。这些倾向通过来自物品内容数据集的标签传播学习，仅使用有限的标注点。为执行注入，编码器的条件被学习，而解码器的条件按显式反馈选定。显式反馈可取自用户对风格或兴趣测验的响应，或来自物品评分。在缺乏显式反馈时，编码器上的条件被施加于解码器。我们展示了相比传统基于 VAE 的方法在 NDCG@20 上提升 12%，以及在预测用户风格画像方面对所有类别的 AUC 平均提升 22%（对比我们性能最佳的基线）。注入风格后，我们将用户风格画像与推荐风格进行比较，显示注入风格的存在度平均增加 +133%。我们的结果表明风格注入是一种在保持个性化相关性的同时使推荐多样化的有力方法。我们的主要贡献是应用了一种半监督方法，将物品标签扩展到可解释的用户画像。
引用
@article{arxiv.1907.12388,
title = {Style Conditioned Recommendations},
author = {Murium Iqbal and Kamelia Aryafar and Timothy Anderton},
journal= {arXiv preprint arXiv:1907.12388},
year = {2019}
}
备注
9 pages, 10 figures, Accepted to RecSys '19