缓解偏差放大的去混杂推荐
信息检索
2021-05-25 v1
摘要
推荐系统通常会放大数据中的偏差。从具有不均衡物品分布的历史交互中学习到的模型，会通过过度推荐主要群组中的物品来放大这种不均衡。长远来看，解决该问题对推荐的健康生态至关重要。现有工作将偏差控制应用于排序目标（例如校准、公平性与多样性），但忽略了偏差放大的真正原因并牺牲了推荐精度。在本工作中，我们审视偏差放大的因果因素，识别出主要原因在于不均衡物品分布对用户表征与预测分数的混杂效应。此类混杂因子的存在促使我们超越仅对条件概率建模，转而拥抱推荐的因果建模。为此，我们提出去混杂推荐系统（DecRS），其建模用户表征对预测分数的因果效应。消除混杂因子影响的关键在于后门调整，然而由于混杂因子无穷的样本空间，这难以实现。针对该挑战，我们贡献了一个后门调整的近似算子，可轻松插入大多数推荐模型。最后，我们设计了一种推断策略，根据用户状态动态调节后门调整。我们在 FM 与 NFM 两个代表性模型上实例化 DecRS，并在两个基准上开展广泛实验以验证我们所提 DecRS 的优越性。
引用
@article{arxiv.2105.10648,
title = {Deconfounded Recommendation for Alleviating Bias Amplification},
author = {Wenjie Wang and Fuli Feng and Xiangnan He and Xiang Wang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2105.10648},
year = {2021}
}