一种利用搜索数据的模型无关因果学习推荐框架
信息检索
2022-06-07 v3
摘要
基于机器学习的推荐系统(RSs)已成为帮助人们自动发现其兴趣的有效手段。现有模型通常将推荐中的丰富信息(如物品、用户和上下文)表示为嵌入向量,并利用它们预测用户的反馈。从因果分析的角度看,这些嵌入向量与用户反馈之间的关联混合了因果部分(描述用户为何偏好某物品)与非因果部分(仅反映用户与物品之间的统计依赖,例如曝光机制、公众意见、展示位置等)。然而,现有推荐系统在使用这些嵌入向量时大多忽略了因果部分与非因果部分之间的显著差异。本文提出一种名为 IV4Rec 的模型无关框架,能够有效将嵌入向量分解为这两部分,从而提升推荐效果。具体而言,我们联合考虑用户在搜索场景与推荐场景中的行为。采用因果分析中的概念,将用户的搜索行为嵌入为工具变量(instrumental variables, IVs),以帮助分解推荐中的原始嵌入向量(即处理变量)。IV4Rec 随后通过深度神经网络组合这两部分,并将组合结果用于推荐。IV4Rec 是模型无关的,可应用于 DIN、NRHUB 等多种现有推荐系统。在公开与专有工业数据集上的实验结果表明,IV4Rec 持续增强推荐系统,并优于联合考虑搜索与推荐的框架。
引用
@article{arxiv.2202.04514,
title = {A Model-Agnostic Causal Learning Framework for Recommendation using Search Data},
author = {Zihua Si and Xueran Han and Xiao Zhang and Jun Xu and Yue Yin and Yang Song and Ji-Rong Wen},
journal= {arXiv preprint arXiv:2202.04514},
year = {2022}
}
备注
accepted by The Web Conference 2022