因果不变性跨域异常分布推荐
信息检索
2025-05-23 v1
摘要
跨域推荐（CDR）旨在利用来自数据相对充足的 source domain 来解决数据相对稀缺的 target domain 的稀疏问题。尽管 CDR 方法需要解决不同 domain 之间的分布迁移，即跨域分布迁移（CDDS），但它们通常假设在 target domain 的训练和测试数据之间存在独立同分布（IID）。然而，由于单域分布迁移（SDDS），这一 IID 假设在现实场景中很少成立。上述两种共存的分布迁移导致异常分布（OOD）环境，阻碍有效的知识传递和泛化，最终降低 CDR 中的推荐性能。在针对这两种共存的分布迁移方面，我们提出了 novel 的因果不变性跨域异常分布推荐框架，称为 CICDOR。在 CICDOR 中，我们首先学习双层因果结构，以推断 domain-specific 和 domain-shared 因果不变的用户偏好，以应对 CDDS 和 SDDS 在 OOD 环境下的 CDR。然后，我们提出了一个 LLM 指导的混杂变量发现模块，将 LLMs 与传统因果发现方法无缝集成，以提取观察到的混杂变量，以实现有效的解耦，从而实现准确的因果不变偏好推断。在两个真实数据集上的大量实验表明，CICDOR 在各种 OOD 场景下优于最先进的方法，实现了 superior 推荐准确性。
引用
@article{arxiv.2505.16532,
title = {Causal-Invariant Cross-Domain Out-of-Distribution Recommendation},
author = {Jiajie Zhu and Yan Wang and Feng Zhu and Pengfei Ding and Hongyang Liu and Zhu Sun},
journal= {arXiv preprint arXiv:2505.16532},
year = {2025}
}