Disentangled Representation for Diversified Recommendations
Disentangled Representation for Diversified Recommendations
概述
将推荐系统学习到的用户表示(user representation)解耦为类别无关(category-independent)的和类别(category-dependent)有关的部分(如质量),来得到用户的喜好。
推荐多样性(diversity)它衡量推荐项目对某些项目属性(例如项目类别)之间的差异也对整体用户体验起着重要作用。
要达到©,这要求推荐模型清楚地区分用户的正/负反馈是由于项目的类别或其他与类别无关的项目特征(例如,项目自己的质量),这被以前的推荐模型忽略。
Framework
将用户偏好解耦为以下俩个部分:
Category-dependent preference:它捕获了用户对项目类别的偏好;
Category-independent preference: 它描述了类别无关的特征如何影响用户对项目的偏好。
概率视角的解耦
ti={c1, c2} 表示第i个物品与种类c1, c2有关。 Y C~ u,i~代表用户u对物品i的种类的反馈
等式最后一行可以理解为:
第一部分代表了当物品的种类是用户喜欢的时,用户给出正面反馈的概率。第二部分表示用户对物品种类的喜好程度。
之后可以将前半部分归纳为类别无关,(正交C),将等式转化为:
DCRS 学习两个解耦的表示,模型架构图:
Discriminator Module
h⊥C u,i用来提取与类别无关的喜好,hC u,i用来提取与类别有关的喜好,Discriminator要做的是让h⊥C u,i预测出来的ti与真实的ti差别越大,让hC u,i预测出来的ti与真实的ti差别越小。其中用到了Gradient Reverse Layer (GRL)对需要max的LOSS进行梯度反转。
Learning category-independent representation
任务:预测评分和与类别独立
Learning category-dependent representation
由于用户u对物品i的类别偏好无法观测,P (Y C u,i = 1|u, ti)可以通过固定h⊥C u,i(stop gradient(h⊥C u,i))并估计用户u给出的总体概率得到。
也就是当给定了无关偏好,可以通过最小化损失来优化用户 u 对项目 i 类别的偏好,以准确预测用户 u 对项目 i 的整体反馈:
将两种方式结合起来得到最终的损失函数:
Inference
在推理阶段将下面的预测值,来当作u对i的喜好程度,考虑与用户的类别依赖和独立偏好。
Disentangled Representation for Diversified Recommendations相关推荐
- 阅读笔记之《DisenQNet: Disentangled Representation Learning for Educational Questions》
<DisenQNet: Disentangled Representation Learning forEducational Questions> DisenQNet:教育问题的解偶表示 ...
- CVPR2020 步态论文:Gait Recognition via Semi-supervised Disentangled Representation Learning to Identit
论文题目:Gait Recognition via Semi-supervised Disentangled Representation Learning to Identity and Covar ...
- 人脸生成 Look across Elapse: Disentangled Representation Learning and Photorealistic Cross-Age Face
Look across Elapse: Disentangled Representation Learning and Photorealistic Cross-Age Face Synthesis ...
- 人脸识别-3D:Disentangled Representation Laerning for 3D Face Shape
Disentangled Representation Learning for 3D Face Shape 探索3D人脸形状的表示学习 2019 CVPR 中科大 张举勇 摘要 原文 译文 In t ...
- 论文阅读笔记 (CVPR 2019) Gait Recognition via Disentangled Representation Learning
一.论文摘要 步态是个体的行走方式,是最重要的生物特征识别手段之一.现有的步态识别方法大多以轮廓或关节体模型为步态特征.这些方法在处理诸如服装.携带和视角等混杂变量时会导致识别性能下降.为了解决这 ...
- WSDM'23 | 工业界搜推广nlp论文整理
大家好,蘑菇先生. WSDM'23已公布录用结果,共收到投稿690篇,录用123篇,录用率为17.8%,完整录用论文: https://www.wsdm-conference.org/2023/pro ...
- WSDM‘23 推荐系统论文梳理
之前把2022年已公布的推荐系统相关顶会梳理一遍 ,历史推荐系统顶会论文梳理系列文章可以参考公众号或知乎,快捷合辑详见<2022推荐系统顶会论文梳理系列>. WSDM'23已公布录用结果, ...
- WSDM2023推荐系统论文集锦
嘿,记得给"机器学习与推荐算法"添加星标 第16届国际网络检索与数据挖掘会议WSDM将在2023年2月27日到3月3日于新加坡举行.今年此次会议共收到了690份有效投稿,最终录取篇 ...
- 2023 推荐系统论文整理
2023 推荐系统论文整理 对2023年的 推荐系统论文进行一波收集,给各位初学者和算法大佬作为灵感来源,后续专栏会继续更新论文解读,根据评论不断补充,欢迎大家三连~ ICLR 2023 推荐系统相关 ...
最新文章
- linux rpm目录,Linux修改RPM的安装目录的方法
- php让十进制输出十六进制(ascill)码
- 【转】Yii在表单中建立关联下拉列表dropdown
- python stringvar函数_Tkinter 求助,怎么获取StringVar() 的值
- 信息安全三要素(CIA)
- C#lock语句用法(lock到底有什么用?)
- mysql 查询从库状态_Mysql库表状态查询
- hadoop相关随记
- Django模型关系
- 企业文件服务器(samba)配置案例一
- HTML页面的参数化实现(仿ASP)
- C++面向对象编程之类的使用(从struct到class的进阶)
- CSU 1803 2016(数论)
- 3DMAX解析愤怒的小鸟
- 【Pyecharts50例】自定义饼图标签/显示百分比
- 安装rhel-server-7.2系统
- android 杀死程序收不到推送_Android收不到推送解决方案
- 北漂7年,我最终还是回了老家。。。
- 教育部公布研考违规违法行为举报电话
- 来自北京大学NOIP金牌选手yxc的常用代码模板2,图灵学院和享学课堂
热门文章
- A “Type Erasure” Pattern that Works in Swift:类型域的转换
- 分布式架构-流量治理-流量控制
- AX-Explor系列电子物证现场勘查箱
- The kernel appears to have died. It will restart automatically问题
- Caused by:Java.lang.IllegalStateException:Can not perform this action after onSaveInStanceState
- 16-U盘重装纯净版Windows10系统以及激活(U盘+PE+UEFI+小米游戏本)
- 深圳市中基鸿业实业有限公司工薪族如何安全理财
- 微服务定时任务 莫名其妙全部死掉的原因 @Scheduled(cron = 0 */1 * * * ?)
- 硬核干货!Redis 分布式集群部署实战
- 物通博联丨工程工具车远程运营物联网解决方案