面向无偏物品推荐的跨成对排序方法
信息检索
2022-04-27 v1 机器学习
摘要
大多数推荐系统在观测到的交互数据上优化模型，这些数据受先前的曝光机制影响并表现出许多偏差，如流行度偏差。诸如最常用的逐点二元交叉熵和成对贝叶斯个性化排序等损失函数，并非为考虑观测数据中的偏差而设计。因此，在该损失上优化的模型会继承数据偏差，甚至更糟的是放大偏差。例如，少数流行物品占据越来越多的曝光机会，严重损害对长尾物品的推荐质量——即众所周知的马太效应。在本工作中，我们提出了一种名为跨成对排序（Cross Pairwise Ranking, CPR）的新学习范式，可在不知晓曝光机制的情况下实现无偏推荐。与逆倾向评分（IPS）不同，我们改变一个样本的损失项——我们创新性地一次性采样多个观测交互，并将损失构建为它们预测结果的组合。我们从理论上证明，这种方式抵消了用户/物品倾向对学习的影响，消除了由曝光机制导致的数据偏差影响。相较于IPS，我们提出的CPR无需设定倾向评分即可确保每个训练实例的无偏学习。实验结果证明了CPR在模型泛化能力和训练效率上均优于最先进的去偏方案。代码见 https://github.com/Qcactus/CPR。
引用
@article{arxiv.2204.12176,
title = {Cross Pairwise Ranking for Unbiased Item Recommendation},
author = {Qi Wan and Xiangnan He and Xiang Wang and Jiancan Wu and Wei Guo and Ruiming Tang},
journal= {arXiv preprint arXiv:2204.12176},
year = {2022}
}
备注
WWW 2022