基于反事实数据增强的解耦变分自编码器去偏推荐方法
信息检索
2023-06-29 v1
摘要
推荐系统总是受到各种推荐偏差的困扰，严重阻碍其发展。为此，推荐系统中已提出一系列去偏方法，尤其针对两种最常见的偏差，即流行度偏差和放大的主观偏差。然而，现有的去偏方法通常集中于纠正单一偏差。此类单一功能去偏忽视了偏差耦合问题，即推荐物品共同归因于多种偏差。此外，先前工作无法应对稀疏数据带来的监督信号缺失问题，而这已成为推荐系统中的普遍现象。本工作中，我们引入一个解耦去偏变分自编码器框架(DB-VAE)以解决单一功能问题，并提出一种反事实数据增强方法来缓解数据稀疏带来的不利影响。具体而言，DB-VAE首先基于collier理论提取仅受单一偏差影响的两类极端物品，分别用于学习相应偏差的潜在表示，从而实现偏差解耦。通过这种方式，可由这些解耦的偏差表示学习到精确的无偏用户表示。此外，数据生成模块采用Pearl框架生成大量反事实数据，弥补稀疏数据导致的监督信号缺失。在三个真实数据集上的大量实验证明了我们所提模型的有效性。并且，反事实数据可进一步提升DB-VAE，尤其在低稀疏度数据集上。
引用
@article{arxiv.2306.15961,
title = {Disentangled Variational Auto-encoder Enhanced by Counterfactual Data for Debiasing Recommendation},
author = {Yupu Guo and Fei Cai and Xin Zhanga and Jianming Zhenga and Honghui Chena},
journal= {arXiv preprint arXiv:2306.15961},
year = {2023}
}