用于捆绑推荐的反事实数据增强学习

捆绑推荐（BR）旨在在线内容或电子商务平台上推荐捆绑项目，例如音乐平台上的歌单或阅读网站上的书单。若干基于图的模型已在BR任务上取得最先进（SOTA）性能。但其性能仍非最优，因为数据稀疏问题在真实捆绑推荐场景中往往更为严重，限制了基于图的模型进行更充分的学习。本文提出一种称为捆绑推荐反事实学习（CLBR）的新型图学习范式，以缓解数据稀疏问题的影响并改进捆绑推荐。我们的范式包含两主要部分：反事实数据增强与反事实约束。范式核心思想在于回答反事实问题：“若用户的交互历史改变，他会与什么交互？”“若捆绑-项目从属关系改变，用户会与什么交互？”在反事实数据增强中，我们设计了一种启发式采样器为基于图的模型生成反事实图视图，其比随机采样器具有更好的噪声控制。我们进一步提出反事实损失以约束模型学习，从而减轻增强数据中残差噪声的影响并实现更充分的模型优化。进一步的理论分析证明了我们设计的合理性。在两个真实数据集上应用我们范式的大量BR模型实验验证了该范式的有效性。