去偏对比表征学习用于缓解推荐系统中的双重偏差
信息检索
2024-08-20 v1 人工智能
摘要
在推荐系统中，流行度和从众偏差通过过度偏向热门物品来削弱推荐效果，导致推荐列表中热门物品的过度表示，并造成用户-物品历史数据的不均衡分布。我们构建了一个因果图来解决这两种偏差，并描述了抽象的数据生成机制。然后，将其作为指导，开发了一种新的去偏对比学习框架——DCLMDB（用于缓解双重偏差的去偏对比学习）。在DCLMDB中，流行度偏差和从众偏差都在模型训练过程中通过对比学习来处理，以确保用户选择和推荐物品不会受到从众性和流行度的不当影响。在两个真实数据集Movielens-10M和Netflix上的广泛实验表明，DCLMDB可以有效减少双重偏差，并显著提高推荐的准确性和多样性。
引用
@article{arxiv.2408.09646,
title = {Debiased Contrastive Representation Learning for Mitigating Dual Biases in Recommender Systems},
author = {Zhirong Huang and Shichao Zhang and Debo Cheng and Jiuyong Li and Lin Liu and Guixian Zhang},
journal= {arXiv preprint arXiv:2408.09646},
year = {2024}
}