基于深度去混杂因果干预的UGC内容标签推荐
信息检索
2023-01-03 v2
摘要
传统的基于内容的标签推荐系统直接根据收集到的用户生成内容（UGC）与标签对学习二者之间的关联。然而，由于UGC上传者同时创作UGC并选择相应标签，其个人偏好不可避免地会对标签选择产生偏置，使这类推荐系统无法学到UGC内容特征对标签的因果影响。本文提出一种深度去混杂的基于内容的标签推荐系统DecTag，以解决上述问题。我们首先建立因果图刻画上传者、UGC与标签之间的关系，其中上传者被识别为混杂因子，虚假地关联了UGC与标签选择。具体而言，为消除混杂偏置，我们通过后门调整对图中的UGC节点进行因果干预，从而消除经后门路径泄露的上传者对标签的影响，以实现因果效应估计。观察到利用do演算调整因果图需对全部上传者空间积分，这在实际中不可行，我们设计了一种基于蒙特卡洛（MC）与自助法（bootstrap）的新估计器，在收集UGC的上传者系来自总体的独立同分布样本时可达渐近无偏。此外，该MC估计器在训练阶段以来自总体的假设随机上传者替代有偏上传者，可以一种可解释的方式实现去混杂。最后，我们基于广泛使用的YouTube-8M数据集通过因果干预构建YT-8M-Causal数据集，并提出相应评估策略以无偏地评价因果标签推荐器。大量实验表明，相较最先进的因果推荐器，DecTag对混杂偏置更具鲁棒性。
引用
@article{arxiv.2205.14380,
title = {Deep Deconfounded Content-based Tag Recommendation for UGC with Causal Intervention},
author = {Yaochen Zhu and Xubin Ren and Jing Yi and Zhenzhong Chen},
journal= {arXiv preprint arXiv:2205.14380},
year = {2023}
}