因果解缠推荐对抗用户偏好变化
摘要：推荐系统容易面临用户偏好变化的问题。如果用户偏好随时间变化，用户表示将变得过时，并导致不恰当的推荐。为了解决这个问题，现有的工作集中于学习稳健的表示或预测变化模式。然而，缺乏一个综合的视角来发现用户偏好变化的根本原因。为了理解偏好的变化，我们抽象出一个因果图来描述用户交互序列的生成过程。假设用户偏好在一个短时间内是稳定的，我们将交互序列抽象为一组按时间顺序排列的环境。从因果图中，我们发现一些未观察到的因素的变化（例如怀孕）导致了不同环境之间的偏好变化。此外，对不同类别的细粒度用户偏好对交互的影响稀疏。受因果图的启发，我们处理偏好变化的关键考虑在于通过以下方式对交互生成过程建模：1）捕捉环境间的偏好变化以进行准确的偏好预测，2）解开用户偏好对交互的稀疏影响，以准确估计偏好的效果。为此，我们提出了一个因果解耦推荐(Causal Disentangled Recommendation, CDR)框架，通过一个时间变分自动编码器来捕捉偏好的变化，并学习多个环境的稀疏影响。具体而言，我们采用一个编码器来从用户交互中推断出未观察到的因素，而一个解码器用来建模交互生成的过程。此外，我们引入两个可学习的矩阵来解开用户偏好对交互的稀疏影响。最后，我们设计了一个多目标损失来优化CDR。在三个数据集上的大量实验证明了CDR的优越性。
作者：Wenjie Wang, Xinyu Lin, Liuhui Wang, Fuli Feng, Yunshan Ma, Tat-Seng Chua
论文ID：2303.16068
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-03-29