在无曝光数据下估计基于因果性的推荐的倾向得分
信息检索
2023-11-02 v2
摘要
基于因果性的推荐系统关注由物品曝光(即哪些物品被推荐或暴露给用户)产生的用户-物品交互的因果效应,而非传统的基于相关的推荐。由于其对用户、卖家和平台多方有益,它们正日益流行。然而,现有的基于因果性的推荐方法需要以曝光数据和/或倾向得分(即曝光概率)形式的额外输入进行训练。此类数据对建模推荐中的因果性至关重要,但由于技术或隐私限制,在真实世界情境中往往不可用。本文中,我们提出称为基于因果性推荐的倾向估计(PropCare)的新框架来弥合这一差距。它能在更实际的设定下估计倾向与曝光,其中仅可用交互数据,而在训练与推断中无任何关于曝光或倾向的 ground truth。我们证明,通过将倾向与物品流行度之间的成对特征相关联,PropCare 仅给定常规交互数据即可实现有竞争力的基于因果性的推荐。我们进一步对模型估计下因果效应的偏差给出理论分析。最后,我们通过定量与定性实验对 PropCare 进行经验评估。
引用
@article{arxiv.2310.20388,
title = {Estimating Propensity for Causality-based Recommendation without Exposure Data},
author = {Zhongzhou Liu and Yuan Fang and Min Wu},
journal= {arXiv preprint arXiv:2310.20388},
year = {2023}
}
备注
18 pages, 6 figures (including appendices), accepted as poster at NeurIPS 2023