基于隐式反馈的去偏可解释成对排序
信息检索
2021-08-02 v1 人工智能
机器学习
摘要
推荐系统近期的工作强调了公平性以及偏差与透明性的重要性，此外还有预测准确性。在本文中，我们关注最先进的成对排序模型 Bayesian Personalized Ranking (BPR，贝叶斯个性化排序)，该模型此前被发现预测准确性优于逐点模型，同时能够处理隐式反馈。具体而言，我们解决 BPR 的两个局限：(1) BPR 是一个不解释其输出的黑盒模型，从而限制了用户对推荐的信任以及分析者审查模型输出的能力；(2) BPR 由于数据 Missing Not At Random (MNAR，非随机缺失) 而易受曝光偏差影响。这种曝光偏差通常转化为对最不受欢迎物品的公平性损害，因为它们面临被推荐系统曝光不足的风险。在本工作中，我们首先提出一种新颖的可解释损失函数及相应的基于 Matrix Factorization（矩阵分解）的模型，称为 Explainable Bayesian Personalized Ranking (EBPR，可解释贝叶斯个性化排序)，其生成推荐并附带基于物品的解释。然后，我们从理论上量化由可解释性带来的额外曝光偏差，并以此为基础提出理想 EBPR 损失的无偏估计量。结果是一个恰能捕捉去偏且可解释用户偏好的排序模型。最后，我们在三个真实世界数据集上进行了实证研究，展示了我们所提模型的优势。
引用
@article{arxiv.2107.14768,
title = {Debiased Explainable Pairwise Ranking from Implicit Feedback},
author = {Khalil Damak and Sami Khenissi and Olfa Nasraoui},
journal= {arXiv preprint arXiv:2107.14768},
year = {2021}
}
备注
11 pages, 2 figures, Accepted at RecSys '21