通过混杂因子解耦实现因果去混杂的双目标跨域推荐
信息检索
2025-05-23 v4
摘要
近年来，双目标跨域推荐（CDR）被提出以捕获全面的用户偏好，从而最终同时提高数据丰富域和数据稀疏域的推荐准确性。然而，除了用户的真实偏好外，用户-物品交互也可能受到混杂因子（例如免运费、促销）的影响。因此，双目标CDR必须应对两个挑战：（1）如何有效解耦观测到的混杂因子，包括单域混杂因子和跨域混杂因子；（2）如何在消除观测到的混杂因子对捕获全面用户偏好的负面影响的同时，保留其对预测交互的正面影响。为了解决上述两个挑战，我们提出了一种通过混杂因子解耦实现因果去混杂的双目标跨域推荐框架，称为CD2CDR。在CD2CDR中，我们首先提出一个混杂因子解耦模块，以有效解耦观测到的单域和跨域混杂因子。然后，我们提出一个因果去混杂模块，通过后门调整保留这些观测到的混杂因子的正面影响并消除其负面影响，从而提高每个域的推荐准确性。在七个真实世界数据集上进行的大量实验表明，CD2CDR显著优于最先进的方法。
引用
@article{arxiv.2404.11180,
title = {Causal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation},
author = {Jiajie Zhu and Yan Wang and Feng Zhu and Zhu Sun},
journal= {arXiv preprint arXiv:2404.11180},
year = {2025}
}
备注
Accepted by ACM TOIS for publication