面向因果感知可解释推荐系统的对比反事实学习
信息检索
2023-08-21 v3
摘要
在因果推断框架下生成推荐的研究近期激增，推荐被类比为处理（治疗）。该方法增进了对推荐对用户行为影响的洞察，并有助于识别潜在因素。现有研究常利用倾向得分来减轻偏差，尽管存在引入额外方差的风险。其他研究探索了来自随机对照试验的无偏数据，尽管这附带了在实践中可能难以满足的假设。本文中，我们首先给出推荐的因果感知解释，并揭示潜在的暴露机制如何使观测反馈的最大似然估计（MLE）产生偏差。认识到混杂因素可能难以捕捉，我们提出一种对比自监督学习以最小化暴露偏差，采用逆倾向得分并扩展正样本集。在此基础上，我们提出一种新颖的对比反事实学习方法（CCL），其结合了三种基于估计暴露概率或随机反事实样本的独特正采样策略。通过在两个真实世界数据集上的大量实验，我们证明了我们的 CCL 优于最先进的方法。
引用
@article{arxiv.2208.06746,
title = {Contrastive Counterfactual Learning for Causality-aware Interpretable Recommender Systems},
author = {Guanglin Zhou and Chengkai Huang and Xiaocong Chen and Xiwei Xu and Chen Wang and Liming Zhu and Lina Yao},
journal= {arXiv preprint arXiv:2208.06746},
year = {2023}
}
备注
10 pages, 5 figures