保持因果:去偏推荐系统中的社交网络混杂效应
机器学习
2021-05-21 v2
摘要
在推荐系统中,非随机缺失(MNAR)问题的存在导致了选择偏差问题,最终降低了推荐性能。解决 MNAR 的常用做法是从所谓“曝光”视角处理缺失条目,即建模物品如何被曝光(提供)给用户。现有大多数方法使用启发式模型或对观测评分的重加权策略来模拟随机缺失设定。然而,从因果视角揭示评分如何缺失的研究甚少。为弥补这一差距,我们受因果推断中的混杂因素分析启发,提出了一种无偏且鲁棒的方法 DENC(去偏推荐中的网络混杂,De-bias Network Confounding in Recommendation)。总体而言,DENC 从内在因素(如潜在用户或物品因素)和辅助网络两个视角对 MNAR 进行因果分析。特别地,DENC 中提出的曝光模型能够在控制社交网络混杂因素的同时保留观测到的曝光信息。我们还通过平衡表示学习开发了去混杂模型,以保留主要的用户和物品特征,从而使 DENC 在评分预测上具有良好的泛化能力。在三个数据集上的大量实验验证了我们所提模型优于最先进的基线。
引用
@article{arxiv.2105.07775,
title = {Be Causal: De-biasing Social Network Confounding in Recommendation},
author = {Qian Li and Xiangmeng Wang and Guandong Xu},
journal= {arXiv preprint arXiv:2105.07775},
year = {2021}
}