SIGIRJul, 2022

基于偏差隐式反馈的双边自我无偏差学习

PDF
TL;DR提出一种新的无偏向推荐算法 BISER（BIlateral SElf-unbiased Recommender），使用自反倾向权重（SIPW）和双边无偏学习（BU）相结合减少推荐模型对物品的曝光偏差和流行度偏差。经过多次实验证明，BISER 在多个数据集上比现有无偏向推荐算法表现更优。
发现论文，激发创造
  • 一个基于 IPW 的无偏双边市场排序指标

    本文针对两边市场中用户间的偏见相互作用问题，提出了一个定制的无偏学习排序方法，证明了该方法满足真实排名度量的无偏性，并通过实验证明了该方法在处理稀有物品时优于基线方法。

    Jul, 2023

  • 具有偏差反馈的无偏学习排序

    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

  • 非偏向性推荐系统学习来自缺失非随机暗示反馈的信息

    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

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022

  • 去偏见的隐性反馈可解释的成对排名

    本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。

    Jul, 2021

  • 一个关注公平性的混合推荐系统

    本研究提出使用基于概率编程语言的混合公平意识推荐系统，以多个用户 - 用户和物品 - 物品相似性度量、内容和人口统计信息实现高效准确的推荐，同时解决了推荐偏见问题。与最先进的公平推荐系统相比，实验结果表明，我们的模型可以提供更准确、更公平的推荐。

    Sep, 2018

  • 去偏推荐算法与噪音数据

    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

  • BHEISR: 从偏见到平衡的引导 - 通过消除基于知识的推荐中的意识形态隔离促进信念和谐

    通过引入创新的中介机构（BHEISR）在个性化推荐系统中，以减轻筛选气泡效应带来的负面影响，同时在用户间取得信仰平衡的目标下，该模型利用用户特定类别信息激发好奇心，鼓励用户拓宽观点，并验证了其对筛选气泡的缓解和平衡用户视角方面的卓越性能。

    Jul, 2023

  • 用于去偏差缺失非随机显式反馈的不对称三训练

    提出了一种元学习方法，受非对称三训练框架的启发，利用两个预测器生成可靠的伪评分数据和另一个预测器进行最终预测，以解决推荐系统中观察到的评分数据选择偏差问题，实现从有偏显式反馈中开发出有效的推荐。

    Sep, 2019

  • 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