带噪声反馈的去偏推荐
信息检索
2024-06-26 v1 机器学习
摘要
在推荐系统中，用户对大多数物品的评分通常以非随机方式缺失 (MNAR)，这主要是因为用户可以自由选择对哪些物品进行评分。为在 MNAR 数据下实现预测模型的无偏学习，已提出三种典型解决方案，包括基于误差插值的 (error-imputation-based, EIB)、逆比例得分 (inverse-propensity-scoring, IPS) 和 doubly robust (DR) 方法。然而，这些方法忽略了由观察到的评分与用户真实偏好的不一致性导致的另一种偏置形式，亦即噪声反馈或结果测量误差 (outcome measurement errors, OME)，例如源于公众舆论或低质量数据收集过程。在本工作中，我们研究了来自 MNAR 和 OME 的交叉威胁，对预测模型的无偏学习。首先，我们设计了 OME-EIB、OME-IPS 和 OME-DR 估计器，这些估计器在很大程度上扩展了现有的估计器，以应对现实世界推荐场景中的 OME。随后，我们理论上证明了所提估计器的无偏性和一般化界限。我们进一步提出一种替代的去噪训练方法，以实现在 MNAR 数据中含 OME 时的无偏学习。对三个真实数据集和一个半合成数据集进行大量实验，以展示所提出方法的有效性。代码已公开于 https://github.com/haoxuanli-pku/KDD24-OME-DR。
引用
@article{arxiv.2406.17182,
title = {Debiased Recommendation with Noisy Feedback},
author = {Haoxuan Li and Chunyuan Zheng and Wenjie Wang and Hao Wang and Fuli Feng and Xiao-Hua Zhou},
journal= {arXiv preprint arXiv:2406.17182},
year = {2024}
}
备注
KDD 24 Research Track Paper