从干预到域迁移：优化推荐的新视角
信息检索
2022-03-29 v1
摘要
推荐的干预性质近年来引起了越来越多的关注。它特别促使研究者将推荐的学习与评估表述为因果推断和数据缺失非随机问题。然而，很少有人认真对待违背重叠性关键假设的后果，我们证明这会显著威胁结果的有效性与可解释性。我们发现当前对信息检索（IR）系统理解中缺失的关键一环：作为干预，推荐不仅影响已观测数据，还会干扰感兴趣的目标域（分布）。我们随后将优化推荐重新表述为寻找一种干预，使其将从观测域学到的模式最佳迁移到其干预域。为此，我们用域迁移来刻画推荐的“学习-干预”机制。我们设计了一个有原则的迁移约束风险最小化目标，并将其转化为一个两人极小极大博弈。我们证明了所提目标的一致性、泛化性和过量风险界，并详述了它们与当前结果的比较。最后，我们进行了广泛的真实数据与半合成实验以证明我们方法的优势，并在真实世界IR系统中开展了在线测试。
引用
@article{arxiv.2203.13956,
title = {From Intervention to Domain Transportation: A Novel Perspective to Optimize Recommendation},
author = {Da Xu and Yuting Ye and Chuanwei Ruan},
journal= {arXiv preprint arXiv:2203.13956},
year = {2022}
}