消除推荐系统中双重潜在混淆偏置的方法
信息检索
2024-10-17 v1
摘要
推荐系统在各个领域广泛用于预测用户偏好，以实现个性化体验和提高用户参与度和满意度。然而，传统的推荐系统面临混淆偏置问题，尤其是在潜在混淆变量同时影响物品曝光和用户反馈时。现有的去偏方法往往无法捕捉潜在混淆变量在交互数据中引起的复杂相互作用，尤其是在双重潜在混淆变量同时影响用户和物品两侧时。为此，我们提出了一种新颖的去偏方法，即联合整合工具变量（IV）方法和可识别变分自编码器（iVAE）用于推荐系统中的去偏表征学习，称为IViDR。具体而言，IViDR将用户特征的嵌入用作工具变量，以解决物品与用户反馈之间由潜在混淆变量引起的偏置，并重构物品的嵌入以获取去偏后的交互数据。此外，IViDR采用可识别变分自编码器（iVAE）从原始和去偏后的交互数据中推断物品曝光与用户反馈之间可识别的潜在混淆表示。我们还对使用IV和潜在表示可识别性的理论分析提供了证明。大量实验在合成数据和真实世界数据集上表明，IViDR在减少偏置和提供可靠推荐方面优于最先进的模型。
引用
@article{arxiv.2410.12451,
title = {Mitigating Dual Latent Confounding Biases in Recommender Systems},
author = {Jianfeng Deng and Qingfeng Chen and Debo Cheng and Jiuyong Li and Lin Liu and Xiaojing Du},
journal= {arXiv preprint arXiv:2410.12451},
year = {2024}
}