通过分析 session-based 推荐任务的唯一特性,对倾向性进行独特计算,研究在不同数据集上的倾向性分布和不同分层技术,在推荐系统的大规模离线评估中取得了令人期待的结果。
Dec, 2023
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
研究了点击偏见与信任偏见的存在,提出了一种基于仿射修正的估算器,该估算器是目前唯一被证明能够去除二者影响的,并利用半合成实验证明在消除这些偏见的情况下,CLTR 可以更接近最佳排名系统。
Aug, 2020
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
在该研究中,我们开发了一种基于战略代理人的公平曝光优化动态排序方法,旨在解决推荐系统中的数据偏差和长尾物品可见性的问题。通过使用可微分的排序算子同时优化准确性和公平性,我们确保了推荐性能的同时增强了长尾物品的可见性,实验证明了该方法的有效性和优越性。
Jun, 2024
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
该研究提出了自适应 IPS(AIPS)的方法来解决 IPS 方法在排名设置中应用的巨大方差问题,还探讨了用户行为多样性的影响。该方法极大地提高了排名系统的 OPE 有效性。
Jun, 2023
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。
该论文提出了一种基于深度影响传播模型的社交推荐方法,模拟了用户在全局社交网中的递归扩散过程,取得了比最佳基线模型更优异的性能提升。
Apr, 2019
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