去偏的基于模型的交互式推荐
信息检索
2024-02-27 v1 机器学习
摘要
现有的基于模型的交互式推荐系统通过查询世界模型来捕捉用户偏好，但从历史日志数据中学习世界模型容易受到流行度偏差和采样偏差等偏差问题的影响。这就是近年来提出一些去偏方法的原因。然而，仍然存在两个关键缺陷：1) 忽略时变流行度的动态性导致对物品的错误重加权；2) 在负采样中将未知样本视为负样本导致采样偏差。为克服这两个缺陷，我们开发了一个名为可识别去偏基于模型的交互式推荐(iDMIR)的模型。在iDMIR中，针对第一个缺陷，我们基于时变推荐生成过程的因果机制设计了一个具有可识别性保证的去偏因果世界模型；针对第二个缺陷，我们设计了一个去偏对比策略，该策略与去偏对比学习一致，避免了采样偏差。此外，我们证明了所提方法不仅优于多个最新的交互式推荐算法，而且具有多样化的推荐性能。
引用
@article{arxiv.2402.15819,
title = {Debiased Model-based Interactive Recommendation},
author = {Zijian Li and Ruichu Cai and Haiqin Huang and Sili Zhang and Yuguang Yan and Zhifeng Hao and Zhenghua Dong},
journal= {arXiv preprint arXiv:2402.15819},
year = {2024}
}