分离与学习潜在混杂因素以增强用户偏好建模

推荐模型旨在从历史反馈中捕捉用户偏好，并预测用户对候选物品的具体反馈。然而，各类未观测混杂因素的存在导致历史反馈中的用户偏好与真实偏好间产生偏差，致使模型无法达到预期性能。现有去偏模型要么（1）专用于解决某一种特定偏差，要么（2）直接从用户历史反馈中获取辅助信息，无法辨识所学偏好是真实用户偏好还是混杂了未观测混杂因素。此外，我们发现先前的推荐系统不仅是未观测混杂因素的承袭者，还作为影响用户偏好建模的未观测混杂因素，这一点在以往研究中常被忽视。为此，我们纳入先前推荐系统的影响，并将其作为所有未观测混杂因素的代理。我们提出一种新框架——用于推荐的分离与学习潜在混杂因素（SLFR），通过解耦用户偏好与未观测混杂因素获得其表示以辨识反事实反馈，进而引导目标模型捕捉用户真实偏好。在五个真实世界数据集上的大量实验验证了本方法的优势。