通过对系统曝光进行分布鲁棒优化来消除序列推荐器的偏差
信息检索
2023-12-13 v1
摘要
序列推荐（SR）模型通常在受系统曝光偏差影响的用户-物品交互数据上进行训练，导致从有偏差的 SR 模型中学习到的用户偏好与真实用户偏好不完全一致。曝光偏差是指用户交互依赖于曝光给用户的部分物品这一事实。现有的去偏方法没有充分利用系统曝光数据，并且存在推荐性能次优和方差较高的问题。在本文中，我们提出通过对系统曝光数据进行分布鲁棒优化（DRO）来消除序列推荐器的偏差。核心思想是利用 DRO 在不确定集上优化最坏情况误差，以保护模型免受曝光偏差引起的分布差异的影响。将 DRO 应用于 SR 中曝光去偏的主要挑战在于如何构建不确定集并避免对有偏差样本的用户偏好高估。此外，如何评估在有偏差测试集上的去偏效果也是一个开放问题。为此，我们首先引入一个在系统曝光数据上训练的曝光模拟器来计算曝光分布，随后将其作为名义分布以构建 DRO 的不确定集。然后，我们引入对高曝光概率物品的惩罚，以避免对有偏差样本的用户偏好高估。最后，我们设计了一个去偏的自归一化逆倾向得分（SNIPS）评估器，用于评估在有偏差离线测试集上的去偏效果。我们在两个真实世界数据集上进行了大量实验以验证所提方法的有效性。实验结果表明，所提方法具有优越的曝光去偏性能。代码和数据可在 \url{https://github.com/nancheng58/DebiasedSR_DRO} 获取。
引用
@article{arxiv.2312.07036,
title = {Debiasing Sequential Recommenders through Distributionally Robust Optimization over System Exposure},
author = {Jiyuan Yang and Yue Ding and Yidan Wang and Pengjie Ren and Zhumin Chen and Fei Cai and Jun Ma and Rui Zhang and Zhaochun Ren and Xin Xin},
journal= {arXiv preprint arXiv:2312.07036},
year = {2023}
}
备注
Accept by WSDM 2024