用因果推断打破推荐系统中的反馈循环
信息检索
2022-07-18 v2 机器学习
机器学习
摘要
推荐系统在现代网络生态系统中起着关键作用。这些系统交替进行（1）做出推荐（2）收集用户对这些推荐的响应，以及（3）基于此反馈重新训练推荐算法。在此过程中，推荐系统影响了随后用于更新它的用户行为数据，从而创造了反馈循环。近期工作表明，反馈循环可能损害推荐质量并使用户行为同质化，在部署推荐系统时引发伦理与性能担忧。为解决这些问题，我们提出反馈循环因果调整（CAFL），一种利用因果推断可证明地打破反馈循环、并可应用于任何优化训练损失的推荐算法的算法。我们的主要观察是，如果推荐系统推理因果量，即推荐对用户评分的干预分布，则不会遭受反馈循环。此外，我们可以通过调整推荐系统对用户偏好的预测，从观测数据计算出该干预分布。使用模拟环境，我们证明与先前的校正方法相比，CAFL 提升了推荐质量。
引用
@article{arxiv.2207.01616,
title = {Breaking Feedback Loops in Recommender Systems with Causal Inference},
author = {Karl Krauth and Yixin Wang and Michael I. Jordan},
journal= {arXiv preprint arXiv:2207.01616},
year = {2022}
}