[论文笔记] 可解释的深度生成推荐模型

abstract

推荐系统中用户偏好建模的目的是 根据用户之前的行为数据发现用户的内在偏好 ，从而改善用户体验。这是一个具有挑战性的问题，

因为用户偏好通常具有复杂的结构，例如

用户间偏好的相似性（类间相似性） 和 用户内部偏好的多样性（类内多样性）。

其中，用户间相似性表示不同用户可能有相似的偏好，而用户内多样性表示一个用户可能有多个偏好。在文献中，深度生成模型由于其对 统计分布的灵活性 和 较强的非线性表示学习能力 已成功应用于推荐系统。然而，在处理复杂的用户偏好时，它们会受到简单生成过程的影响。同时，深层生成模型学习到的潜在表示通常是纠缠的，从主导用户之间复杂关联的观察级表示到表征用户偏好的潜在级表示，这使得深层模型难以解释，不利于推荐。

因此，本文提出了一种 可解释的深度生成推荐模型(InDGRM) 来表征 用户之间的偏好相似性 和 用户内部的