摘要
基于神经网络的协同过滤模型近年来开始受到广泛关注。其中一类研究采用深度生成模型来建模用户偏好，研究表明变分自编码器（Variational Autoencoders, VAEs）能够取得当前最先进的性能。然而，现有的用于协同过滤的变分自编码器仍存在一些潜在问题。其一在于，VAE在学习用户偏好隐表示时所采用的先验分布过于简单；其二在于，该模型难以在每个网络中学习超过一层的深层表示结构。本文旨在引入适当的改进技术，以缓解上述VAE在协同过滤应用中的局限性，并进一步提升推荐性能。本研究是首个将灵活先验（flexible priors）应用于协同过滤任务的工作。我们发现，原始VAE中使用的简单先验可能过于受限，难以充分捕捉用户偏好的复杂结构；而采用更具灵活性的先验则能带来显著的性能提升。为此，我们引入了最初用于图像生成任务的VampPrior方法，用于探究灵活先验在协同过滤中的实际效果。实验结果表明，结合门控机制（gating mechanisms）的VampPrior在两个主流基准数据集（MovieLens与Netflix）上，显著优于当前最先进的推荐模型，包括传统的协同过滤变分自编码器（Variational Autoencoder for Collaborative Filtering），性能提升具有实质性意义。