SAERec：通过稀疏自动编码器构建细粒度可解释意图先验以进行推荐

基于意图的推荐系统通过对用户行为背后的潜在动机进行建模来提高准确性和可解释性，因此受到了极大的关注。大多数现有模型通过聚类或原型学习直接从用户序列中得出意图。然而，它们对序列质量敏感，需要预设意图数量，并且缺乏明确的语义依据。这些问题导致意图集不完整且粗糙，并限制了推荐的有效性。在本文中，我们提出了基于意图的推荐的稀疏自动编码器（SAERec），这是一种新颖的推荐器，可以从文本语料库自动构建细粒度且可解释的意图空间来指导推荐。 SAERec 没有将文本视为辅助信号，而是将它们作为意图构建的高信息密度证据。具体来说，我们首先使用稀疏自动编码器（SAE）从 大语言模型（LLM）的潜在空间中提取一组全面的细粒度可解释意图，以解开和解释文本嵌入，从而将与意图相关的语义与文本噪声隔离开来。然后，对于每个用户，我们从该集中检索相关意图作为指导推荐的先验。它包含与用户当前兴趣相匹配的个人意图和捕获用户之间共享的一般项目模式（例如质量、价格）的公共意图。最后，为了将检索到的意图集成到序列建模中，我们提出了一种多分支注意力机制，该机制捕获时间依赖性并注入个人和公共意图信号，然后是自适应融合层来构建最终的用户表示以进行推荐。对公共数据集的大量实验证明了 SAERec 的优越性，它始终优于最先进的基线，同时提供人类可理解的解释。