去混杂因果协同过滤
信息检索
2023-08-15 v2 机器学习
摘要
推荐系统可能受到各类混杂因子(亦称confounders)的干扰,导致推荐不准确并牺牲推荐性能。当前解决该问题的方法通常为每个特定混杂因子设计特定模型。然而,现实系统可能包含大量混杂因子,因此为每个特定混杂因子设计特定模型并不现实。更重要的是,除专家可手动识别并处理的那些"显式混杂因子"(如物品在排序列表中的位置)外,还存在许多专家难以预料的"潜在混杂因子"。例如,用户对歌曲的评分可能取决于其当前心情或当前天气,用户对冰淇淋的偏好可能取决于气温。此类潜在混杂因子在记录的训练数据中可能不可观测。为解决该问题,我们提出去混杂因果协同过滤(DCCF)。我们首先将含未观测混杂因子的用户行为构建为因果图,随后精心设计融合机器学习的前门调整模型,以去混杂未观测混杂因子的影响。在真实数据集上的实验表明,我们的方法能够去混杂未观测混杂因子,从而获得更优的推荐性能。
引用
@article{arxiv.2110.07122,
title = {Deconfounded Causal Collaborative Filtering},
author = {Shuyuan Xu and Juntao Tan and Shelby Heinecke and Jia Li and Yongfeng Zhang},
journal= {arXiv preprint arXiv:2110.07122},
year = {2023}
}
备注
Accepted by the ACM Transactions on Recommender Systems (TORS)