学习推荐的解离化表征形式：你为啥想剁手，AI能理解吗？
Learning Disentangled Representations for Recommendation -2019阿里AI顶级会议NeurIPS。
论文链接：https://arxiv.org/pdf/1910.14238.pdf
文章解读
其研究的是方向就是人和商品匹配的过程中，人的认知因素。即：
人为什么喜欢一件商品，他是对哪些概念动了心，种了草，他是因为什么原因点了击、收了藏、下了单，他当下关注点在哪个认知层面的东西，推荐系统能显式的知道、消化并且准确响应吗？达摩院科学家们认为，这些所谓的认知因素，并不是商品固有的细粒度的属性、品类，而是一种从人的角度理解商品的可传播可解释的概念。它们更像是广告商会选择去打动人心的记忆点。
推荐系统与搜索场景一个不同之处在于，它是否能主动激发用户潜在的兴趣，帮助用户找到并接受意料之外的商品。因此，如何挖掘潜在的认知概念，并以合理的方式，将潜在可接受的认知概念传递给用户，可能是推荐系统需要有所突破的事情。
当然，关注这样的认知过程并不是为了端到端的做“下一个商品”的预测，或者点击率预估亦或者是评分预估。
至少前人在大规模数据的线上经验能表明，产品形态不变的可解释推荐，相比于黑盒模型并不能真正提高最终的点击和转化效果。因此相比于可解释推荐，认知推荐更强调人的因素，其归宿必然是技术驱动产品形态上的创新。而新的产品形态则可以创造新的需求、用户习惯和新的商业场景。
联系解离化表征（Disentangled Representation Learning）在连续型数据上的发展，阿里想要探索是否能从离散数据，特别是用户行为数据上学习到类似的结果。他们的模型采用了层次化的设计：在推理一个用户的表征时将依次进行宏观解离化（macro disentanglement）和微观解离化（micro disentanglement）。
宏观解离化和微观解离化
宏观解离化主要的考虑是，用户兴趣通常是非常广泛的，一个用户的点击记录往往会涉及到多个独立的消费意图（比如点击不同大类下的商品）。而用户在执行不同意图时的偏好往往也是独立，比如喜欢深色的衣服并不意味着用户也喜欢深色的电器。哪怕是价格偏好也常存在不可迁移的情况，比如买高档口红、和买便宜好用的笔记本电脑这两者并不互斥。
宏观解离化也是微观解离化的必要前提。
微观解离化，是希望能把用户在执行某个意图时的偏好进一步地分解到更细的粒度。而不同大类的商品属性集合是很不同的，用户表征向量的某一个维度，如果已经被用于刻画用户对手机电量的偏好了，那么这一维对服饰等商品就是没有任何意义的。所以在预测用户是否会点击某个服饰时、在通过用户行为学习某个服饰的表征时，都应当忽略这些只和手机相关的维度
模型
在这样的思路下，他们提出了模型。这是一个深度生成模型假设用户的表征 指示了这些商品通常都对应哪些宏观的消费意图。为了优化这个深度概率模型，他们还采纳了VAE的框架。
解离化表征在带来一定的可解释性的同时，也带来了一定的可控制性
作用
随着现代电商推荐系统的技术发展，学术界和工业界在预估点击率，预测下一个点击商品这些单任务上的提高越发困难，而这样的提高所带来的增量效益也难以很好的估计。
更多用户体验方面的问题被摆在了决策者的眼前，比如为什么买了又推，为什么都是点过的商品，如何创造真正增量的价值。
所以，他们现在选择围绕人的认知行为和过程，来探索新的推荐形态的可能性
文章解释学习
