面向多模态推荐的属性驱动解耦表示学习

基于摘要分析。本文研究多模态推荐中无监督解耦因子难以对应具体属性、因而难以解释和调控推荐结果的问题，提出 Attribute-Driven Disentangled Representation Learning（AD-DRL），将显式属性引入解耦表示学习。 核心机制是为多模态特征中的每个因子指定具体属性，在属性与属性值两个层面进行解耦。方法同时处理模态内与跨模态的表示解耦，再融合同一因子的多模态特征，以增强表示的稳健性。相较于仅从交互数据中无监督分离潜在因素，其主要区别是让因子与类别、品牌等可识别属性对应，为解释和调控属性影响提供结构基础。摘要未说明属性来源、具体监督方式、损失函数及控制操作的实现。 作者报告，在三个公开真实世界推荐数据集上的评估支持 AD-DRL 的有效性、可解释性与可控性。摘要未给出数据集名称、划分、对照方法、评价指标或具体数值，实验协议、消融及统计信息尚未验证，不能据此比较收益大小。 平台推测（待验证）：其“属性对应因子—模态内与跨模态解耦—同因子融合”的思路，可作为多模态神经信号中区分任务因素与干扰因素的研究假设，而非已验证的 BCI 方法。迁移依赖可定义且可信的属性信息，并需改造信号编码、模态对齐与属性监督模块；EEG 的低信噪比、跨被试差异、通道变化和小样本可能导致因子混杂，甚至将任务相关信息一并去除。可在固定跨被试划分下，比较显式属性约束与无该约束的模型，并通过打乱属性标记检验收益是否确实来自属性对应关系。相关 EEG 工作尚未检索确认。