CDR：面向去偏推荐的保守双重稳健学习
信息检索
2023-08-21 v2 机器学习
摘要
在推荐系统（RS）中，用户行为数据是观测性的而非实验性的，导致数据中普遍存在偏差。因此，处理偏差已成为推荐系统领域的主要挑战。近来，双重稳健学习（Doubly Robust Learning, DR）因其卓越的性能和稳健特性而受到广泛关注。然而，我们的实验发现表明，现有 DR 方法受到所谓“有毒插补”的严重影响，即插补值显著偏离真实值并产生反作用。为解决该问题，本文提出保守双重稳健策略（Conservative Doubly Robust, CDR），通过审视插补值的均值与方差对其进行过滤。理论分析表明 CDR 具有更低的方差和更优的尾部界。此外，我们的实验研究说明 CDR 显著提升了性能，且确实能降低有毒插补的发生频率。
引用
@article{arxiv.2308.08461,
title = {CDR: Conservative Doubly Robust Learning for Debiased Recommendation},
author = {ZiJie Song and JiaWei Chen and Sheng Zhou and QiHao Shi and Yan Feng and Chun Chen and Can Wang},
journal= {arXiv preprint arXiv:2308.08461},
year = {2023}
}