解决因果推荐中的混淆特征问题
信息检索
2022-08-29 v2
摘要
在推荐系统中，某些特征直接影响交互是否发生，使得已发生的交互未必表示用户偏好。例如，短视频客观上更容易被看完，即使用户并不喜欢该视频。我们将此类特征称为混淆特征，而视频时长便是视频推荐中的混淆特征。如果我们在此类交互数据上拟合模型，正如大多数数据驱动的推荐系统所做的那样，模型将偏向于更多地推荐短视频，并偏离用户的真实需求。本文从因果视角对该问题进行形式化并解决。假设存在一些同时影响混淆特征与其他物品特征的因素（例如视频创作者），我们发现混淆特征在用户-物品匹配背后打开了一条后门路径并引入了虚假相关。为消除后门路径的影响，我们提出一个名为去混淆因果推荐（DCR）的框架，其利用 do-calculus 进行干预推断。然而，评估 do-calculus 需要对混淆特征所有可能取值上的预测求和，显著增加了时间开销。为应对效率挑战，我们进一步提出一种混合专家（MoE）模型架构，以独立的专家模块对混淆特征的每个取值建模。通过这种方式，我们以极小的额外代价保留了模型表达能力。我们在神经因子分解机（NFM）骨干模型上验证了 DCR，表明 DCR 能以较小的推断时间代价实现对用户偏好更准的预测。
引用
@article{arxiv.2205.06532,
title = {Addressing Confounding Feature Issue for Causal Recommendation},
author = {Xiangnan He and Yang Zhang and Fuli Feng and Chonggang Song and Lingling Yi and Guohui Ling and Yongdong Zhang},
journal= {arXiv preprint arXiv:2205.06532},
year = {2022}
}
备注
Accepted by TOIS 2022. Codes are available on Github: https://github.com/zyang1580/DCR