基于隐藏混淆的鲁棒个性化推荐
机器学习
2026-05-21 v1
摘要
推荐系统通常依赖于观察到的用户-项目交互数据，这类数据容易因用户对项目的选择性交互而产生选择偏差。逆倾向加权和双鲁棒估计器在已观察混淆的情况下有效缓解选择偏差，但在隐藏混淆者的存在下不可靠。现有方法依赖于随机对照试验(RCTs)或全局灵敏度界限，在实际中受到限制：RCTs需要昂贵的实验数据，而全局灵敏度界限则假设未测量混淆者对倾向作用均匀受限，通过灵敏度分析忽略用户-项目交互之间的异质性。为克服这一限制，我们提出了一种新框架，估计用户-项目水平的灵敏度界限，从而大大放宽了全局灵敏度界限中固有的均匀性假设，即个性化未观察混淆感知交互反去混淆器(Personalized Unobserved-Confounding-aware Interaction Deconfounder, PUID)。为确保鲁棒性和预测准确性，我们进一步开发了对抗优化策略，并提出了一种基准导向的变体(BPUID)，将预训练模型作为稳定参考。广泛的在三个真实数据集上的实验表明，我们的方法在隐藏混淆情况下显著优于全局方法，且无需RCT数据。
引用
@article{arxiv.2605.21066,
title = {Robust Personalized Recommendation under Hidden Confounding in MNAR},
author = {Zongyu Li and Wanting Su and Tianyu Xia},
journal= {arXiv preprint arXiv:2605.21066},
year = {2026}
}