CounterCLR：推荐系统中针对非随机缺失数据的反事实对比学习
信息检索
2024-02-09 v1
摘要
推荐系统旨在从观测反馈中学习用户偏好，并包含许多基本任务，如评分预测和点击后转化率 (pCVR) 预测。然而，观测反馈通常存在两个问题：选择偏差和数据稀疏性，其中有偏差且不充分的反馈会严重降低推荐系统在准确性和排序方面的性能。现有的处理这些问题的解决方案，如数据插补和逆倾向得分，高度依赖于额外训练的插补或倾向模型。在这项工作中，我们提出了一种名为 CounterCLR 的新型推荐反事实对比学习框架，通过利用对比学习的进展来解决非随机缺失数据问题。具体而言，提出的 CounterCLR 采用了一个称为 CauNet 的深度表示网络，以推断推荐中的非随机缺失数据，并通过引入自监督对比学习任务进一步执行用户偏好建模。我们的 CounterCLR 无需额外模型或估计器即可缓解选择偏差问题，同时在数据稀疏的情况下增强了泛化能力。在真实世界数据集上的实验证明了我们方法的有效性和优越性。
引用
@article{arxiv.2402.05740,
title = {CounterCLR: Counterfactual Contrastive Learning with Non-random Missing Data in Recommendation},
author = {Jun Wang and Haoxuan Li and Chi Zhang and Dongxu Liang and Enyun Yu and Wenwu Ou and Wenjia Wang},
journal= {arXiv preprint arXiv:2402.05740},
year = {2024}
}
备注
2023 IEEE International Conference on Data Mining (ICDM)