面向推荐的潜空间混杂因素因果结构表示学习
信息检索
2025-05-07 v2 人工智能
机器学习
统计方法学
摘要
从用户历史反馈推断用户偏好是推荐系统中的重要问题。常规方法常假设反馈数据中的用户偏好等同于无额外噪声的真实用户偏好，从而简化问题建模。然而，用户-物品交互过程中存在各类混杂因素，如天气乃至推荐系统本身。因此，忽视混杂因素的影响将导致不准确的用户偏好与次优的模型性能。此外，混杂因素的不可观测性给进一步解决问题带来挑战。针对这些问题，我们细化该问题并给出更合理的方案。具体而言，我们考虑混杂因素的影响，在潜空间将其与用户偏好解耦，并在无特定标签情况下使用因果图建模其相互依赖关系。通过巧妙结合局部与全局因果图，我们捕捉了混杂因素对用户偏好的用户特异性。我们从理论上证明了所得因果图的可辨识性。最后，我们提出基于变分自编码器的模型，命名为潜空间混杂因素因果结构表示学习（CSC）。我们在 one 合成数据集与五个真实世界数据集上进行了大量实验，证明了模型的优越性。此外，我们展示了所学混杂因素的因果表示是可控制的，有望借助所学因果图为用户提供对其推荐列表目标的细粒度控制。
引用
@article{arxiv.2311.03382,
title = {Causal Structure Representation Learning of Confounders in Latent Space for Recommendation},
author = {Hangtong Xu and Yuanbo Xu and Chaozhuo Li and Fuzhen Zhuang},
journal= {arXiv preprint arXiv:2311.03382},
year = {2025}
}