AutoDebias：面向推荐的学习去偏方法
机器学习
2021-10-29 v5 信息检索
摘要
推荐系统依赖评分和点击等用户行为数据来构建个性化模型。然而，所收集的数据是观测性的而非实验性的，导致数据中存在各种偏差并显著影响所学模型。现有大多数推荐去偏工作，如逆倾向评分与插补方法，聚焦于一种或两种特定偏差，缺乏能够解释数据中混合甚至未知偏差的通用能力。针对这一研究空白，我们首先从代表经验风险期望与真实风险之差的“风险差异”视角分析偏差起源。值得注意的是，我们推导出一个通用学习框架，通过指定该框架的若干参数即可很好地概括大多数现有去偏策略。这为开发通用去偏方案提供了宝贵机会，例如通过从数据中学习去偏参数。然而，训练数据缺乏关于数据如何偏倚以及无偏数据样貌的重要信号。为推进该思路，我们提出 AotoDebias，其利用另一（小规模）均匀数据集，通过以元学习求解双层优化问题来优化去偏参数。通过理论分析，我们推导出 AutoDebias 的泛化界并证明其获取恰当去偏策略的能力。在两个真实数据集与一个模拟数据集上的大量实验证明了 AutoDebias 的有效性。代码见 \url{https://github.com/DongHande/AutoDebias}。
引用
@article{arxiv.2105.04170,
title = {AutoDebias: Learning to Debias for Recommendation},
author = {Jiawei Chen and Hande Dong and Yang Qiu and Xiangnan He and Xin Xin and Liang Chen and Guli Lin and Keping Yang},
journal= {arXiv preprint arXiv:2105.04170},
year = {2021}
}
备注
Accepted by SIGIR 2021