基于因果嵌入解耦用户兴趣与从众性以实现推荐

推荐模型通常在观测交互数据上训练。然而，观测交互数据可能源于用户对流行物品的从众行为，这使用户的真实兴趣纠缠其中。现有方法将这一问题视为消除流行度偏差，例如通过重新加权训练样本或利用一小部分无偏数据。但这些方法忽略了用户从众性的多样性，且将交互的不同成因捆绑为统一表示，因此在潜在成因变化时无法保证鲁棒性与可解释性。本文提出 DICE，一个通用框架，学习将兴趣与从众性在结构上解耦的表示，并可平滑集成多种骨干推荐模型。我们为用户和物品分配分离的兴趣与从众性嵌入，并通过使用根据因果推断碰撞效应获得的特定成因数据训练，使每个嵌入仅捕获一种成因。我们所提方法在多个骨干模型之上的两个真实世界数据集上以显著改进优于最先进的基线。我们进一步证明所学嵌入成功捕获了期望成因，并表明 DICE 保证了推荐的鲁棒性与可解释性。