面向推荐的深度因果推理
机器学习
2022-11-22 v2 信息检索
摘要
传统推荐系统旨在基于群体观测评分估计用户对物品的评分。如所有观测性研究，隐藏混杂因子（同时影响物品曝光与用户评分的因素）会导致估计中的系统偏差。因此，推荐系统研究的新趋势是从因果视角消除混杂因子影响。观察到推荐中的混杂因子通常在物品间共享，故为多因混杂因子，我们将推荐建模为多因多果（MCMO）推断问题。具体而言，为纠正混杂偏差，我们估计用户专属潜变量，使物品曝光成为独立的伯努利试验。生成分布由具因子化 logistic 似然的 DNN 参数化，难解后验由变分推断估计。在温和假设下，控制这些因子作为替代混杂因子可消除多因混杂因子带来的偏差。此外，我们表明因与高维因果空间相关的稀疏观测，MCMO 建模可能导致高方差。幸运的是，我们从理论上证明引入用户特征作为处理前变量可大幅提升样本效率并缓解过拟合。在模拟与真实数据集上的实证研究表明，所提深度因果推荐器比最先进因果推荐器对未观测混杂因子更具鲁棒性。代码与数据集发布于 https://github.com/yaochenzhu/deep-deconf。
引用
@article{arxiv.2201.02088,
title = {Deep Causal Reasoning for Recommendations},
author = {Yaochen Zhu and Jing Yi and Jiayi Xie and Zhenzhong Chen},
journal= {arXiv preprint arXiv:2201.02088},
year = {2022}
}