通过共购关系的因果去混杂和反事实曝光实现多样性推荐
信息检索
2025-12-22 v1 人工智能
摘要
除了用户-物品建模之外，物品间关系越来越多地被用于增强推荐。然而，常见方法在很大程度上依赖于共现，这使得它们容易受到物品流行度偏差和用户属性的影响，从而降低了嵌入质量和性能。同时，尽管多样性被认为是推荐质量的一个关键方面，但现有研究对其关注有限，尤其缺乏因果视角和理论基础。为了应对这些挑战，我们提出了Cadence：通过共购关系的因果去混杂和反事实曝光实现多样性推荐——一个基于LightGCN骨干网络构建的即插即用框架，主要设计用于在保持准确性的同时增强推荐多样性。首先，我们计算物品之间的无偏非对称共购关系(UACR)——排除物品流行度和用户属性——以构建一个去混杂的有向物品图，并采用聚合机制来细化嵌入。其次，我们利用UACR识别与用户交互过的物品具有强因果相关性但尚未被用户接触过的多样化类别物品。然后，我们模拟它们在高曝光场景下的行为，从而在保持相关性的同时显著增强推荐多样性。在真实数据集上的大量实验表明，我们的方法在多样性和准确性方面始终优于最先进的多样性模型，并进一步验证了其相对于基线的有效性、可迁移性和效率。
引用
@article{arxiv.2512.17733,
title = {Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure},
author = {Jingmao Zhang and Zhiting Zhao and Yunqi Lin and Jianghong Ma and Tianjun Wei and Haijun Zhang and Xiaofeng Zhang},
journal= {arXiv preprint arXiv:2512.17733},
year = {2025}
}