Preference or Intent? Double Disentangled Collaborative Filtering

要約

通常、人はアイテムを選択する意図が異なりますが、同じ意図の下での好みも異なる場合があります。
従来の協調フィルタリング アプローチでは、通常、意図と好みの両方の要素がモデリング プロセスに絡み合い、推奨パフォーマンスの堅牢性と解釈可能性が大幅に制限されます。
たとえば、低評価の項目は、実際にはユーザーの意図に関する肯定的な情報を提供する可能性があるにもかかわらず、常に否定的なフィードバックとして扱われます。
この目的を達成するために、この論文では、パーソナライズされた推奨事項のための二重表現学習アプローチ、すなわち二重分離協調フィルタリング (DDCF) を提案します。
第 1 レベルのもつれ解除は、意図と好みの影響因子を分離するためのものであり、第 2 レベルのもつれ解除は、限られた計算量で個々の意図の下で独立した疎な好み表現を構築するために実行されます。
具体的には、意図認識ネットワークと嗜好分解ネットワークという 2 つの変分オートエンコーダ ネットワークを使用して、それぞれ意図と嗜好要素を学習します。
このようにして、低評価項目はモデル化の意図については肯定的なサンプルとして扱われ、一方、モデル化の好みについては否定的なサンプルとして扱われます。
最後に、3 つの現実世界のデータセットと 4 つの評価指標に関する広範な実験により、DDCF の有効性と解釈可能性が明確に検証されました。

要約(オリジナル)

People usually have different intents for choosing items, while their preferences under the same intent may also different. In traditional collaborative filtering approaches, both intent and preference factors are usually entangled in the modeling process, which significantly limits the robustness and interpretability of recommendation performances. For example, the low-rating items are always treated as negative feedback while they actually could provide positive information about user intent. To this end, in this paper, we propose a two-fold representation learning approach, namely Double Disentangled Collaborative Filtering (DDCF), for personalized recommendations. The first-level disentanglement is for separating the influence factors of intent and preference, while the second-level disentanglement is performed to build independent sparse preference representations under individual intent with limited computational complexity. Specifically, we employ two variational autoencoder networks, intent recognition network and preference decomposition network, to learn the intent and preference factors, respectively. In this way, the low-rating items will be treated as positive samples for modeling intents while the negative samples for modeling preferences. Finally, extensive experiments on three real-world datasets and four evaluation metrics clearly validate the effectiveness and the interpretability of DDCF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google