基于非随机缺失隐式反馈的无偏推荐器学习

推荐系统广泛使用点击数据等隐式反馈，因其普遍可得。尽管点击的出现在一定程度上表明了用户的偏好，但此类点击的缺失并不一定表示用户的负面响应，因为用户可能并未接触到相应物品（正未标记问题）。这导致从隐式反馈预测用户偏好存在困难。先前研究通过统一上调正反馈数据的损失，或通过EM算法估计每个数据具有相关性信息的置信度来解决正未标记问题。然而，这些方法未能解决非随机缺失问题，即热门或频繁被推荐的物品即便用户对其并无显著兴趣，也比其他物品更可能被点击。为克服这些局限，我们首先定义一个理想损失函数，其优化可实现最大化相关性的推荐，并为该理想损失提出一个无偏估计量。随后，我们分析了所提无偏估计量的方差，并进一步提出一个截断估计量，其将无偏估计量作为特例包含在内。我们通过考虑偏差-方差权衡，证明截断估计量有望提升推荐系统性能。我们进行了半合成与真实世界实验，表明所提方法大幅优于基线。特别地，所提方法在训练数据中较少出现的稀有物品上表现更好。这些发现表明，所提方法能更好地实现推荐最具相关性物品的目标。