WWWApr, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • AutoDebias: 为推荐学习去偏见

    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

  • 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

  • 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

  • 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

  • 基于核心因果平衡的无偏协同过滤

    通过在可观测数据集中消除不同的偏差，去偏协同过滤旨在学习一个无偏的预测模型。本文通过重新加权观测样本分布以适应目标样本的倾向得分来解决此问题。为了更好地满足因果平衡约束条件，作者提出了一种近似平衡函数的方法，并在再生核希尔伯特空间中证明了其更好满足因果平衡约束条件的能力。同时，作者提出了一种自适应平衡核函数的算法，并理论上分析了方法的泛化误差界。通过广泛的实验证明了该方法的有效性。

    Apr, 2024

  • 减轻偏见放大的去混淆推荐

    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。

    May, 2021

  • 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

  • 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