重新审视含未观测混杂因子的无偏推荐中的学习目标
信息检索
2023-10-05 v3 机器学习
摘要
本研究关注从有偏反馈中学习无偏推荐算法的问题。我们从新颖的分布偏移视角解决该问题。无偏推荐近期工作借助重加权、多任务学习与元学习等技术推进了最优水平。尽管取得经验成功，多数缺乏理论保证，形成理论与近期算法间不可忽略的鸿沟。本文提出对现有无偏学习目标何以适用于无偏推荐的理论理解。我们建立无偏推荐与分布偏移的紧密关联，表明现有无偏学习目标隐式对齐有偏训练与无偏测试分布。基于此关联，我们为现有无偏学习方法建立两个泛化界并分析其学习行为。此外，作为分布偏移的结果，我们进一步提出一个原则性框架——对抗自训练（AST）用于无偏推荐。在真实与半合成数据集上的大量实验证明了AST的有效性。
引用
@article{arxiv.2206.03851,
title = {Reconsidering Learning Objectives in Unbiased Recommendation with Unobserved Confounders},
author = {Teng Xiao and Zhengyu Chen and Suhang Wang},
journal= {arXiv preprint arXiv:2206.03851},
year = {2023}
}
备注
KDD2023