【ACL2022】解释生成的多尺度分布深度变分自编码器, Multi-Scale Distribution Deep Variational Autoencoder for Explanation Generation

• 本文发现，当前模型为推荐系统生成的个性化解释往往单调宽泛，缺少关于用户和商品的特定信息。为了解决这个问题，本文提出了深度多尺度分布变分自编码器（Multi-Scale Distribution Deep Variational Autoencoders），通过先验网络对用户-商品对进行编码来生成对应隐变量。在我们的模型中，识别网络利用标签信息指导先验网络进行学习。同时，我们还设计了多尺度分布学习框架（Multi-scale distribution Learning Framework）帮助模型更容易地利用不同层次的信息。此外，我们进一步提出了目标追踪的KL散度（Target Tracking Kullback-Leibler divergence）以高效训练我们的多尺度架构。

• 在三个来自真实世界的推荐解释数据集上，我们的模型效果都显著地超越了以往的模型。消融实验及样例分析充分验证了我们设计思路的有效性，进一步展示了我们模型能够产生个性化程度更高的解释。