利用流行度偏差的因果干预推荐方法

推荐系统通常面临流行度偏差问题：从数据角度看，物品在交互频率上呈现不均匀（长尾）分布；从方法角度看，协同过滤方法易通过过度推荐流行物品而放大该偏差。在推荐系统中考虑流行度偏差无疑至关重要，现有工作主要消除偏差影响。然而，我们认为数据中并非所有偏差都是坏的——某些物品因其更好的内在质量而表现出更高流行度。盲目追求无偏学习可能移除数据中的有益模式，降低推荐准确率和用户满意度。本工作研究推荐中一个未被探索的问题——如何利用流行度偏差提升推荐准确率。关键在于两方面：如何在训练期间去除流行度偏差的不良影响，以及如何在生成Top-K推荐的推理阶段注入所需的流行度偏差。这对推荐生成过程的因果机制提出质疑。沿此思路，我们发现物品流行度在曝光物品与观察到的交互之间扮演混杂因子角色，导致偏差放大的不良影响。为实现目标，我们提出一种名为流行度偏差解混杂与调整(PDA)的推荐新训练与推理范式。它在模型训练中去除混杂的流行度偏差，并通过因果干预以所需流行度偏差调整推荐分数。我们在隐因子模型上演示新范式，并在三个真实数据集上进行了广泛实验。实证研究表明，解混杂训练有助于发现用户真实兴趣，而带流行度偏差的推理调整可进一步提升推荐准确率。