面向推荐中语义感知意图学习的因果解耦方法
信息检索
2022-02-08 v1 机器学习
摘要
在传统观测交互数据上训练的推荐模型已在广泛应用产生重大影响，但其面临掩盖用户真实意图的偏差问题，从而损害推荐效果。现有方法将这一问题视为为鲁棒推荐消除偏差，例如通过重加权训练样本或学习解耦表示。作为最先进方法的解耦表示方法通过揭示偏差生成的因果效应来消除偏差。然而，如何为用户真实意图设计语义感知且无偏的表示在很大程度上未被探索。为弥补这一差距，我们首次从因果视角提出一种无偏且语义感知的解耦学习，称为 CaDSI（面向语义感知意图学习的因果解耦，Causal Disentanglement for Semantics-Aware Intent Learning）。特别地，CaDSI 显式建模推荐任务背后的因果关系，从而通过解耦感知特定物品上下文的用户真实意图来生成语义感知表示。此外，设计了因果干预机制以消除源于上下文信息的混杂偏差，进一步使语义感知表示与用户真实意图对齐。大量实验与案例研究均验证了我们所提模型的鲁棒性与可解释性。
引用
@article{arxiv.2202.02576,
title = {Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation},
author = {Xiangmeng Wang and Qian Li and Dianer Yu and Peng Cui and Zhichao Wang and Guandong Xu},
journal= {arXiv preprint arXiv:2202.02576},
year = {2022}
}