CausPref：面向分布外推荐的因果偏好学习
机器学习
2022-02-10 v2
摘要
尽管近期由于机器学习的渐进能力，推荐系统取得了巨大发展，但当前的推荐系统在真实场景中仍易受用户与物品分布偏移的影响，导致在测试环境中性能急剧下降。在许多仅有来自稀疏数据的隐式反馈可用的常见应用中，这一问题更为严重。因此，提升推荐方法在不同环境中的性能稳定性至关重要。本工作中，我们首先从分布外（OOD）泛化的视角对隐式推荐问题进行了透彻分析。随后在我们的理论分析指导下，提出将推荐专用的 DAG 学习器纳入一个名为 CausPref 的新型基于因果偏好的推荐框架，该框架主要由不变用户偏好的因果学习以及用于处理隐式反馈的反偏好负采样组成。来自真实世界数据集的大量实验结果清楚地表明，我们的方法在各类分布外设定下显著超越基准模型，并展现出令人印象深刻的可解释性。
引用
@article{arxiv.2202.03984,
title = {CausPref: Causal Preference Learning for Out-of-Distribution Recommendation},
author = {Yue He and Zimu Wang and Peng Cui and Hao Zou and Yafeng Zhang and Qiang Cui and Yong Jiang},
journal= {arXiv preprint arXiv:2202.03984},
year = {2022}
}
备注
WWW '22: The ACM Web Conference Proceedings