超越流行度与正反馈偏差：纠正推荐系统中的多因素偏差

用户与推荐系统（RSs）交互数据中两种典型的偏差形式是流行度偏差和正反馈偏差，它们分别表现为与流行物品或用户偏好物品的交互被过度代表。去偏方法旨在减轻选择偏差对推荐系统评估和优化的影响。然而，现有的去偏方法仅考虑单因素形式的偏差，例如仅考虑物品（流行度）或仅考虑评分值（正反馈）。这与现实世界形成鲜明对比，现实中用户的选择通常同时受多个因素影响。在本工作中，我们考虑推荐系统中的多因素选择偏差。我们关注受物品和评分值因素共同影响的选择偏差，这是流行度偏差和正反馈偏差的泛化与组合。虽然多因素偏差的概念很直观，但它带来了严峻的实际挑战，因为需要大量数据才能准确估计偏差。作为解决方案，我们提出了平滑和交替梯度下降技术，以减少方差并提高其优化的鲁棒性。我们的实验结果表明，借助我们提出的技术，在真实世界和合成数据集上，多因素偏差纠正比单因素纠正更有效且更鲁棒。