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

t_i={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，h^C _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t_i与真实的t_i差别越大，让h^C _u,i预测出来的t_i与真实的t_i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, t_i)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。

‍