面向多行为推荐公平性的因果干预

推荐系统通常从包括点击与点击后行为（如喜欢与收藏）在内的多种用户行为中学习用户兴趣。然而，这些行为不可避免地表现出流行度偏差，导致若干不公平问题：1）对于质量相似的物品，更流行的获得更多曝光；2）更糟的是，流行度较低但质量较优的物品可能获得更多曝光。现有缓解流行度偏差的工作盲目消除偏差，且通常忽略物品质量的影响。我们认为不同用户行为间的关系（如转化率）实际反映了物品质量。因此，为处理不公平问题，我们提出通过考虑多种用户行为来缓解流行度偏差。本工作中，我们审视多行为推荐中交互生成过程背后的因果关系。具体而言，我们发现：1）物品流行度是曝光物品与用户点击后交互之间的混杂因子，导致第一类不公平；2）某些隐混杂因子（如物品生产者声誉）同时影响物品流行度与质量，导致第二类不公平。为缓解这些混杂问题，我们提出一个因果框架来估计因果效应，其利用后门调整（backdoor adjustment）阻断由混杂因子引起的后门路径。在推断阶段，我们去除流行度的负面效应，并利用质量的正面效应进行推荐。在两个真实数据集上的实验验证了我们提出框架的有效性，其在不牺牲推荐准确率的前提下增强了公平性。