去偏推荐系统中相关隐性外生变量的处理
机器学习
2025-06-10 v1 信息检索
摘要
推荐系统(RS)旨在提供个性化内容，但面临由于选择偏差导致的无偏学习挑战——用户仅与他们喜欢的物品进行交互。这种偏差导致用户偏好代表失真，阻碍了推荐的准确性和公平性。为解决此问题，已发展出基于误差插值的逆倾角得分和双重稳健方法等各种方法。尽管已取得进展，但从结构因果模型的角度看，之前的去偏方法在RS中假设外生变量的独立性。本文摒弃了这一假设，提出一种基于似然最大化的学习算法来学习预测模型。我们首先讨论了未测量混杂与本场景之间的相关性与差异，然后提出一种统一的方法有效处理隐性外生变量。具体而言，我们的方法在轻微的正态性假设下将数据生成过程建模为具有隐性外生变量。随后，我们开发了蒙特卡罗算法来数值估计似然函数。大量实验在合成数据集和三个真实数据集上表明，我们提出的方法有效。代码地址为https://github.com/WallaceSUI/kdd25-background-variable。
引用
@article{arxiv.2506.07517,
title = {Addressing Correlated Latent Exogenous Variables in Debiased Recommender Systems},
author = {Shuqiang Zhang and Yuchao Zhang and Jinkun Chen and Haochen Sui},
journal= {arXiv preprint arXiv:2506.07517},
year = {2025}
}
备注
In Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD '25), August 3--7, 2025, Toronto, ON, Canada