通过解混杂因子缓解下一篮推荐中的频率偏差
信息检索
2022-11-17 v1 机器学习
摘要
近期关于下一篮推荐(NBR)的研究通过利用个性化物品频率(PIF)作为主要特征之一取得了诸多进展,PIF衡量用户与物品交互的频率。然而,将PIF作为显式特征会导致对高频物品的偏差。在基于PIF的推荐系统中,用户频繁购买的物品被赋予更高权重,并在个性化推荐列表中更频繁出现。结果,系统将丧失用户频繁购买物品与从未购买物品之间的公平与平衡。我们将这种个性化推荐列表上的系统性偏差称为频率偏差,它收窄了用户的浏览范围并降低了系统效用。我们采用因果推断理论来解决此问题。考虑到历史购买对用户未来兴趣的影响,用户和物品表示可视为因果图中的未观测混杂因子。在本文中,我们提出一种名为FENDER(面向下一篮推荐的频率感知解混杂器)的解混杂模型以缓解频率偏差。基于解混杂理论和我们提出的因果图,FENDER使用神经张量层分解PIF,为用户和物品获得替代混杂因子。随后,FENDER在考虑这些替代混杂因子影响的情况下执行无偏推荐。实验结果表明,在三个数据集上,FENDER相较十个基线模型得到了多样且公平的结果,同时取得了具竞争力的性能。进一步实验阐明了FENDER如何平衡用户的历史购买与潜在兴趣。
引用
@article{arxiv.2211.09072,
title = {Mitigating Frequency Bias in Next-Basket Recommendation via Deconfounders},
author = {Xiaohan Li and Zheng Liu and Luyi Ma and Kaushiki Nag and Stephen Guo and Philip Yu and Kannan Achan},
journal= {arXiv preprint arXiv:2211.09072},
year = {2022}
}
备注
IEEE Bigdata 2022