uCTRL：通过对齐与均匀性实现协同过滤的无偏对比表示学习
信息检索
2023-05-23 v1 人工智能
机器学习
摘要
由于协同过滤(CF)模型的隐式用户反馈偏向于热门物品，CF 模型往往产生具有流行度偏差的推荐列表。以往研究利用逆倾向加权(IPW)或因果推断缓解此问题。然而，它们仅采用逐点或对损失函数，忽视使用对比损失函数学习有意义的用户与物品表示。本文提出无偏对比表示学习(Unbiased ConTrastive Representation Learning, uCTRL)，为 CF 模型优化源自 InfoNCE 损失函数的对齐与均匀性函数。具体而言，我们构建了 uCTRL 中使用的无偏对齐函数。我们还设计了一种新的 IPW 估计方法，消除用户与物品的双重偏差。尽管简单，配备现有 CF 模型的 uCTRL 在四个基准数据集上持续优于最先进的无偏推荐模型，Recall@20 最高提升 12.22%，NDCG@20 最高提升 16.33%。
引用
@article{arxiv.2305.12768,
title = {uCTRL: Unbiased Contrastive Representation Learning via Alignment and Uniformity for Collaborative Filtering},
author = {Jae-woong Lee and Seongmin Park and Mincheol Yoon and Jongwuk Lee},
journal= {arXiv preprint arXiv:2305.12768},
year = {2023}
}
备注
SIGIR 2023