CIRS：通过反事实交互式推荐系统打破过滤气泡
信息检索
2023-04-25 v2
摘要
尽管个性化提升了推荐系统的效用，但也带来了过滤气泡问题。例如，若系统持续曝光并推荐用户感兴趣的物品，也可能使用户感到无聊且满意度降低。已有研究在静态推荐中考察过滤气泡，其中过度曝光的影响难以捕捉。相比之下，我们认为在交互式推荐中研究该问题并优化长期用户满意度更有意义。然而，由于成本高昂，在线训练模型并不现实。因此，我们必须利用离线训练数据并解耦对用户满意度的因果效应。为实现该目标，我们提出一种反事实交互式推荐系统（CIRS），将因果推断与离线强化学习（offline RL）相结合。其基本思路是：首先在历史数据上学习一个因果用户模型，以捕捉物品对用户满意度的过度曝光效应；随后利用该因果用户模型辅助 RL 策略的规划。为进行离线评估，我们基于一个真实世界的全观测用户评分数据集创新地构建了真实的 RL 环境（KuaiEnv）。实验显示了 CIRS 在打破过滤气泡及在交互式推荐中实现长期成功的有效性。CIRS 的实现可通过 https://github.com/chongminggao/CIRS-codes 获取。
引用
@article{arxiv.2204.01266,
title = {CIRS: Bursting Filter Bubbles by Counterfactual Interactive Recommender System},
author = {Chongming Gao and Shiqi Wang and Shijun Li and Jiawei Chen and Xiangnan He and Wenqiang Lei and Biao Li and Yuan Zhang and Peng Jiang},
journal= {arXiv preprint arXiv:2204.01266},
year = {2023}
}
备注
Accepted by ACM Transactions on Information Systems (TOIS 2023)