ICPE：一种基于项目簇的帕累托有效推荐去偏见框架
摘要：基于历史用户-项目交互的推荐系统对于基于网络的服务非常重要。然而，用于训练推荐模型的观察数据受到严重的偏见问题的困扰。实际上，数据集的项目频率分布呈高度偏斜的幂律分布。头部项目的少部分交互几乎占据了整个训练数据。从这种偏斜数据中得出的正常训练范式往往会反复从头部项目中生成推荐，进一步加剧了偏见，并影响了从小众集中探索潜在有趣项目的能力。在这项工作中，我们从项目集群级的多目标优化的角度创新地探索推荐去偏见的核心主题。我们的目标是在训练过程中平衡学习具有不同受欢迎程度的各种项目集群，因此我们将每个项目集群上的模型学习设置为独特的优化目标。为了实现这个目标，我们首先从一种新颖的因果推理的角度来探索项目的受欢迎程度水平。然后，我们设计了基于受欢迎程度差异的二分聚类来分离项目集群。接下来，我们从Pareto-efficient solver中自适应地找到了适用于集群级优化目标的整体和谐梯度方向。最后，在预测阶段，我们进行反事实推理，进一步消除全局倾向的影响。广泛的实验结果验证了ICPE在整体推荐性能和偏见消除方面的优越性。
作者：Yule Wang, Xin Xin, Yue Ding, Yunzhe Li, Dong Wang
论文ID：2109.12887
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-07-25