ICPE：一种面向推荐系统去偏的项目簇级 Pareto 高效框架

基于历史用户-项目交互的推荐系统对基于网络的服务至关重要。然而，用于训练推荐模型的观测数据存在严重的偏差问题。实际上，数据集的项目频率分布是一种高度偏斜的幂律分布。一小部分头部项目的交互几乎占据了全部训练数据。从这种有偏数据出发的常规训练范式倾向于重复生成头部项目的推荐，这进一步加剧了偏差，并影响了对利基集中潜在有趣项目的探索。在这项工作中，我们创新性地从项目簇级多目标优化的视角探索推荐去偏的核心主题。为了在训练过程中平衡对不同流行度项目簇的学习，我们提出了一个模型无关的框架，即项目簇级 Pareto 高效推荐（Item Cluster-Wise Pareto-Efficient Recommendation, ICPE）。具体而言，我们将项目簇级优化目标定义为推荐模型应平衡所有流行度不同的项目簇，因此我们将模型在每个项目簇上的学习设定为一个独特的优化目标。为实现这一目标，我们首先从一个新颖的因果推理视角探索项目的流行度水平。然后，我们设计了基于流行度差异的二分聚类来分离项目簇。接着，我们通过一个 Pareto 高效求解器自适应地为簇级优化目标寻找整体和谐的梯度方向。最后，在预测阶段，我们执行反事实推理以进一步消除全局倾向性的影响。广泛的实验结果验证了 ICPE 在整体推荐性能和偏差消除方面的优越性。