面向用户间匹配的反事实互惠推荐系统
信息检索
2025-08-05 v1 人工智能
摘要
互惠推荐系统（RRS）在约会、游戏和人才平台上要求匹配双方均接受，从而实现匹配。然而，日志数据因过去的曝光策略而过度代表热门档案，导致反馈环路不公平地影响学习。我们引入反事实互惠推荐系统（CFRR），一种基于因果框架的方案，以缓解此类偏差。CFRR 使用逆倾向得分加权、自归一化目标。实验表明，CFRR 在 NDCG@10 上提升最高可达 3.5%（例如 DBLP 上从 0.459 提升至 0.475，合成数据上从 0.299 提升至 0.307），长尾用户覆盖率提升最高可达 51%（合成数据上从 0.504 提升至 0.763），Gini 敞口不平等度降低最高可达 24%（合成数据上从 0.708 降低至 0.535）。CFRR 为实现更准确、更公平的用户间匹配提供了有前景的方案。
引用
@article{arxiv.2508.01867,
title = {Counterfactual Reciprocal Recommender Systems for User-to-User Matching},
author = {Kazuki Kawamura and Takuma Udagawa and Kei Tateno},
journal= {arXiv preprint arXiv:2508.01867},
year = {2025}
}
备注
9 pages, 2 figures. Accepted for publication at the Workshop on Two-sided Marketplace Optimization (TSMO '25), held in conjunction with the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2025), Toronto, Canada