[论文解读] Disentangled Item Representation for Recommender Systems

Zeyu Cui, Feng Yu+3 more|arXiv (Cornell University)|Aug 17, 2020

Recommender Systems and Techniques参考文献 38被引用 6

一句话总结

本文提出解耦物品表征（DIR），一种将物品建模为每个属性（如类别、风格、价格）独立可学习向量的方法，而非单一统一的潜在向量。通过采用交替优化策略（LearnDIR）学习这些属性级表征，DIR在冷启动场景下显著提升推荐性能，同时减少模型参数量并实现可解释性分析，在真实世界数据集上超越当前最先进方法。

ABSTRACT

Item representations in recommendation systems are expected to reveal the properties of items. Collaborative recommender methods usually represent an item as one single latent vector. Nowadays the e-commercial platforms provide various kinds of attribute information for items (e.g., category, price and style of clothing). Utilizing these attribute information for better item representations is popular in recent years. Some studies use the given attribute information as side information, which is concatenated with the item latent vector to augment representations. However, the mixed item representations fail to fully exploit the rich attribute information or provide explanation in recommender systems. To this end, we propose a fine-grained Disentangled Item Representation (DIR) for recommender systems in this paper, where the items are represented as several separated attribute vectors instead of a single latent vector. In this way, the items are represented at the attribute level, which can provide fine-grained information of items in recommendation. We introduce a learning strategy, LearnDIR, which can allocate the corresponding attribute vectors to items. We show how DIR can be applied to two typical models, Matrix Factorization (MF) and Recurrent Neural Network (RNN). Experimental results on two real-world datasets show that the models developed under the framework of DIR are effective and efficient. Even using fewer parameters, the proposed model can outperform the state-of-the-art methods, especially in the cold-start situation. In addition, we make visualizations to show that our proposition can provide explanation for users in real-world applications.

研究动机与目标

• 解决单一向量物品表征在捕捉细粒度物品属性方面的局限性。
• 通过共享属性向量建模物品，减少模型参数量并缓解冷启动问题。
• 通过将物品属性解耦为独立可学习向量，实现可解释性推荐。
• 开发一种通用训练框架（LearnDIR），交替优化属性向量与物品分配。
• 在真实世界推荐任务中，验证DIR在多种模型（包括MF与RNN）上的有效性。

提出的方法

• 将每个物品表示为多个属性向量（如类别、风格、价格）的组合，而非单一潜在向量。
• 引入隐式属性向量以区分具有相同显式属性的物品，实现唯一表征。
• 提出LearnDIR，一种交替优化算法，联合训练属性向量并重新分配物品至最优属性单元。
• 将DIR应用于矩阵分解（DIR-MF）与循环神经网络（DIR-RNN），实现协同过滤。
• 使用类似张量的结构组织属性向量，其中每个物品被分配至由其显式与隐式属性定义的唯一单元。
• 使用随机梯度下降训练模型，并定期触发重分配步骤以优化物品-属性分配。

实验结果

研究问题

• RQ1 与传统单一向量物品嵌入相比，解耦的属性级表征是否能提升推荐准确率？
• RQ2 DIR在保持或提升性能的同时，能在多大程度上减少模型参数量？
• RQ3 DIR在缓解新物品或交互稀疏物品的冷启动问题方面效果如何？
• RQ4 DIR能否通过揭示各属性对预测的贡献，提供可解释性推荐？
• RQ5 隐式属性向量的数量如何影响模型性能与收敛性？

主要发现

• DIR-MF与DIR-RNN在Electronics与Clothing数据集上均优于当前最先进模型，且参数量更少。
• 在Electronics数据集上，DIR-MF（3个属性）的AUC达到0.7644，超过2属性版本的0.7585。
• DIR-RNN在Electronics数据集上使用3个属性时AUC达到0.8568，略高于2属性版本的0.8548。
• DIR-RNN使用3个属性时仅需0.1743M参数，显著低于2属性版本的0.2720M参数。
• 模型在约三次重分配后收敛，性能在物品重分配三轮后达到峰值。
• 可视化结果证实，DIR通过突出显示特定属性对预测的影响，提供了可解释性推荐。