减轻偏见放大的去混淆推荐

May, 2021

Deconfounded Recommendation for Alleviating Bias Amplification

Wenjie Wang, Fuli Feng, Xiangnan He, Xiang Wang, Tat-Seng Chua

TL;DR该论文研究了推荐系统中偏见放大的原因，提出了一种基于因果模型的 Deconfounded Recommender System（DecRS）来解决这一问题，并在两个基准测试上验证了其优越性。

Abstract

recommender systems usually amplify the biases in the data. The model learned from historical interactions with imbalanced item distribution will amplify the imbalance by over-recommending items from the major groups. Addressing this issue is essential for a healthy ecosystem of recomm

recommender systems bias amplification confounder effect causal modeling deconfounded recommender system

发现论文，激发创造

去共变量化因果协同过滤

提出了一个去混淆因素的因果协作过滤模型，解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题，且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。

Oct, 2021

消除混淆推荐器：推荐的因果推理方法

推荐系统通过因果分析的方法解决了推荐过程中潜在变量的干扰，引入去混淆因素的推荐模型成功地提高了推荐准确性。

Aug, 2018

分离和学习潜在混淆因素以增强用户偏好建模

提出了一种名为 SLFR 的新框架，通过解开用户偏好和未测量混淆因素的联系，识别反事实反馈，以捕捉用户的真实偏好，并在五个真实世界数据集上进行了广泛的实验证明了该方法的优势。

Nov, 2023

社交推荐中调节社会影响偏见的因果解缠

本文提出了一种基于因果解缠的社交推荐系统，名为 CDRSB，用于改进推荐性能。实验结果表明，与现有方法相比，CDRSB 在四个大规模真实世界数据集上的效果更好，解决了社交推荐系统面临的社交影响偏差问题。

Mar, 2024

在去偏推荐中利用少量无偏评级平衡未观察到的混杂因素

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

利用流行偏见进行因果干预的推荐

研究推荐系统中的流行度偏差问题，提出了一种新的训练和推断范式，名为流行度偏差去混淆与调节，通过因果干预去除模型训练中的混淆流行度偏差并在推荐时调整推荐得分以提高推荐准确性。

May, 2021

升高声音：协作式推荐中的偏好偏差放大

本文研究了推荐系统中的个性化、校准、偏差差异等主题，检验了不同算法和物品类别之间的显著差异。

Sep, 2019

图神经网络在推荐系统中的偏见放大比较分析

本研究通过文献综述和行为分析，对比了基于 GNN 的不同算法和现有方法的偏见影响，并旨在探索最小化模型性能影响的适当解决方案。

Jan, 2023

推荐作为治疗方案：去偏见化学习和评估

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

推荐系统中的反馈循环去卷积

本研究探究回推协作过滤算法中被反馈循环所影响的用户评分矩阵，提出了衡量推荐系统对其整个评分矩阵影响的度量，并通过合成和实际数据集验证了其在还原固有用户偏好上的可用性。

Mar, 2017