本研究探讨了在选择偏差存在的情况下从明确评分反馈进行离线推荐学习的方法,在推荐偏差的解决方案中,逆偏重评分(IPS)估计是一个当前很有前途的解决方案,但基于倾向性的现有方法的性能会受到倾向性估计偏差的显着影响。因此,我们提出了一种新的算法,该算法通过对抗学习来最小化理论上的偏差,以达到在实际情况中优于一系列现有方法的效果。
Oct, 2019
本文提出了一种理论上保证的模型无关均衡方法,该方法可以针对现有的去偏差方法进行应用,以抵抗未观测到的混淆和模型错误,并通过交替校正学习偏差数据的模型参数,以自适应学习平衡系数,充分利用无偏数据。在实际应用中,该方法证明了其有效性。
Apr, 2023
通过对因果推断框架的提出,使用倾向权重排序支持向量机从隐式反馈学习,消除了数据偏差问题,取得了更好的结果。
Aug, 2016
针对推荐系统中存在的正 - 未标记问题,本研究提出一种理想损失函数和无偏估计器,并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明,该方法在最大化推荐物品相关性方面具有更好的性能,特别是对于在训练数据中很少出现的物品。
Sep, 2019
基于 risk-discrepancy 的架构能很好的概括现有去偏见策略,并提出一个 meta-learning 算法 AutoDebias 用于训练,通过对两个真实数据集和一个模拟数据集的验证,AutoDebias 证明了其在去偏见方面的有效性。
May, 2021
本文介绍了一种在不涉及人工参照或限制相关性建模假设的前提下,从历史反馈日志中收集一种特定类型的干预数据并使用极值估计器以获得一致倾向性估计的方法,该方法在 Arxiv 全文搜索和谷歌 Drive 搜索等两个实际系统中提供了更好的倾向性估计。
Dec, 2018
本论文针对推荐系统中存在的缺失数据,提出了一种基于反事实倾向评分的缺失值加权估计方法。通过使用多种代表性不确定性校准技术来对倾向得分估计进行不确定性校准,理论分析和实验结果表明,不确定性校准的 IPS 估计器比未校准的表现更好,从而提高了推荐结果。
Mar, 2023
该研究提供了一种使用因果推论来处理选择偏差的方法,可实现对推荐系统的评估和训练,并获得实际数据上显着改善的预测效果。
Feb, 2016
推荐系统在用户评级其偏好项目时常受到选择偏差的困扰。本文提出了一种加倍稳健估计器及其改进类型,通过提供准确的修正误差或预测倾向来确保无偏估计。然而,现有的估计器依赖于粗糙模型的不准确修正误差和倾向评分,我们提出了一个加倍校准估计器,通过校准修正误差和倾向模型以提高估计器的效果。通过实证研究验证了我们的理论,并结合预测和修正模型一起进行了校准专家的三层联合学习,在真实数据集上的广泛实验中证明了加倍校准估计器在去偏推荐任务中的优越性。
Feb, 2024
本文研究了推荐系统中用户对大多数物品的评级通常是非随机缺失,并提出了三种解决该问题的方法,分别是基于错误插补的方法(EIB)、倒数概率加权方法(IPS)和双重稳健方法(DR)。然而,这些方法忽略了另一种由观察到的评级和用户真实偏好之间不一致性所引起的偏差,即嘈杂反馈或结果测量误差。本研究进一步提出了一种交叉威胁的观点,旨在解决从缺失非随机数据和有噪声数据中学习预测模型的问题,并通过实验证明了所提方法的有效性。
Jun, 2024