对因果感知可解释的推荐系统的对比对照学习
摘要：在因果推断框架下生成推荐的领域近来发展迅猛，推荐被视为处理。这种方法增强了对推荐对用户行为的影响的理解，并有助于识别潜在因素。现有研究通常利用倾向得分来减轻偏差，但可能引入额外的方差风险。其他人则探索了来自随机对照试验的无偏数据的使用，尽管这对实践可能具有挑战性的假设。在本文中，我们首先介绍了对推荐的因果感知解释，并揭示了潜在暴露机制如何使得观察反馈的最大似然估计（MLE）出现偏差。鉴于混杂变量可能难以捉摸，我们提出了一种对比自我监督学习方法来最小化暴露偏差，采用逆倾向得分和扩展正样本集。在此基础上，我们提出了一种新颖的对比反事实学习方法（CCL），其中包含三种基于估计暴露概率或随机反事实样本的独特正样本采样策略。通过对两个真实世界数据集进行大量实验，我们证明了我们的CCL优于现有最先进方法。
作者：Guanglin Zhou and Chengkai Huang and Xiaocong Chen and Xiwei Xu and Chen Wang and Liming Zhu and Lina Yao
论文ID：2208.06746
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-21