一种反事实协同的基于会话的推荐系统
信息检索
2023-05-09 v3
摘要
大多数基于会话的推荐系统（SBRSs）侧重于从用户当前会话中观察到的物品提取信息以预测下一物品，忽略了影响用户物品选择的会话外原因（称为 outer-session causes, OSCs）。然而，这些原因在现实世界中广泛存在，且极少有研究探讨它们在 SBRSs 中的作用。本工作中，我们从因果推断的视角分析了 SBRSs 中 OSCs 的因果性与相关性。我们发现 OSCs 本质上是 SBRSs 中的混杂因子，这导致用于训练 SBRS 模型的数据中存在虚假相关性。为解决该问题，我们提出一种名为 COCO-SBRS（COunterfactual COllaborative Session-Based Recommender Systems，反事实协同基于会话的推荐系统）的新型 SBRS 框架，以学习 SBRSs 中 OSCs 与用户-物品交互之间的因果关系。COCO-SBRS 首先采用自监督方法，通过为数据中每个用户选择物品设计原因的伪标签来预训练推荐模型以指导训练过程。接着，COCO-SBRS 采用反事实推断，基于考虑因果关系的预训练推荐模型输出推荐物品，以缓解数据稀疏问题。因此，COCO-SBRS 能够学习数据中的因果关系，防止模型学习虚假相关性。我们在三个真实世界数据集上进行的广泛实验结果表明，所提框架优于十个具有代表性的 SBRSs。
引用
@article{arxiv.2301.13364,
title = {A Counterfactual Collaborative Session-based Recommender System},
author = {Wenzhuo Song and Shoujin Wang and Yan Wang and Kunpeng Liu and Xueyan Liu and Minghao Yin},
journal= {arXiv preprint arXiv:2301.13364},
year = {2023}
}
备注
accepted by the ACM WebConf 2023