用于调节社会推荐中社会影响偏差的因果解耦
社会与信息网络
2024-03-07 v1 人工智能
摘要
社会推荐系统面临社会影响偏差问题，这可能导致过度强调推荐朋友互动过的物品。解决这一问题至关重要，现有方法通常依赖权重调整或利用无偏数据来消除此类偏差。然而，我们认为并非所有偏差都是有害的，即朋友推荐的某些物品可能与用户的兴趣一致。盲目消除此类偏差可能会削弱这些积极效应，从而降低推荐准确性。在本文中，我们提出了一种基于因果解耦的框架，用于调节社会推荐中的社会影响偏差，命名为 CDRSB，以提高推荐性能。从因果推断的角度来看，我们发现用户社交网络可被视为用户和物品嵌入（处理）与评分（结果）之间的混淆因子。由于存在这种社交网络混淆因子，从用户和物品嵌入到评分存在两条路径：非因果的社会影响路径和因果的兴趣路径。基于这一见解，我们提出了一种解耦编码器，专注于将用户和物品嵌入解耦为兴趣嵌入和社会影响嵌入。设计了基于互信息的目标以增强这些解耦嵌入的独特性，消除冗余信息。此外，还设计了一个调节解码器，采用权重计算模块动态学习社会影响嵌入的权重，以有效调节社会影响偏差。在四个大规模真实世界数据集 Ciao、Epinions、大众点评和豆瓣读书上的实验结果证明了 CDRSB 相较于最先进基线的有效性。
引用
@article{arxiv.2403.03578,
title = {Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation},
author = {Li Wang and Min Xu and Quangui Zhang and Yunxiao Shi and Qiang Wu},
journal= {arXiv preprint arXiv:2403.03578},
year = {2024}
}