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。