SIGIRMay, 2023

uCTRL: 无偏差对比表示学习，通过排列和均匀性，用于协同过滤

PDF
TL;DR本文提出了一种基于 InfoNCE loss function 的无偏差对比表示学习方法（uCTRL），以有效消除协作过滤模型中的流行度偏差问题，并通过四种基准数据集的实验验证，证明其在 Recall@20 和 NDCG@20 上的性能优于现有的无偏导向推荐模型，最高可达 12.22％和 16.33％的增益。
collaborative filteringpopularity biasunbiased contrastive representation learningalignment functionipw estimation
发现论文，激发创造
  • 协同过滤损失函数的深入理解

    本文分析了现有损失函数之间的关系，揭示了先前的损失函数可以解释为对齐和均匀度函数，并基于此分析提出了一种新的损失函数 MAWU，该函数考虑了数据集的独特模式，通过缓解用户 / 物品特定的流行度偏差和调整用户和物品均匀度之间的重要性，使得使用 MAWU 的 MF 和 LightGCN 在三个公共数据集上与各种损失函数的最先进的协同过滤模型相媲美或更优。

    Aug, 2023

  • 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

  • 对抗热度偏差的流行度感知对齐与对比

    通过实证分析流行度偏见并提出了面向流行度偏见的对齐和对比模块来解决两个挑战，即从流行物品中提取通用监督信号以改进不受欢迎物品的表示，并从流行度视角提出重新加权的对比学习损失以减轻表示分离。

    May, 2024

  • 推荐系统中的原型对比学习：通过对齐和一致性实现

    通过在潜在空间中提出原型 (簇中心) 作为多样性图形的不同扩充的一致性基准，我们介绍了一种名为 ProtoAU 的推荐方法，它通过排序和保持用户和项目的原型的一致性以及统一性来解决了图对比学习中的采样偏差问题。

    Feb, 2024

  • 使用用户 - 项目共自回归模型的协同过滤

    文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

    Dec, 2016

  • 大规模推荐系统中，对偏差候选生成采用对比学习方法

    本文研究了在深度候选生成（DCG）中使用对比学习的有效性，理论证明了对比损失函数等效于通过逆倾向加权来减少暴露偏差，并提出了 CLRec 和 Multi-CLRec 方法用于改善大规模推荐系统的公平性、效率和准确性。该方法在淘宝上的四个月在线 A/B 测试和离线分析中表现出显著的改善，包括 Matthew 效应的显著降低。

    May, 2020

  • 通过对齐、均匀性和相关性重新思考原型对比学习

    本文引入 PAUC 方法来学习基于原型的对比表示，以优化下游任务中需要强语义信息的有意义的表示。在各个基准测试中，实验结果证明了我们的方法在提高对比原型表示的质量方面的有效性，并在 ImageNet-100 数据集上将分类下游任务的性能提高了 2.96％，在 ImageNet-1K 数据集上提高了 2.46％。

    Oct, 2022

  • UniMatch: 多用途商家营销的统一用户 - 商品匹配框架

    通过模型对用户 - 商品的互动矩阵进行建模，并提出了一个修正双向偏差的损失函数，我们提出了一个统一的用户 - 商品匹配框架，以实现商品推荐和用户定位，深度减少了计算资源和日常维护成本，从而证明了我们的框架相对于现有方法的显著性能提升。

    Jul, 2023

  • UIPC-MF: 用户 - 物品原型连接矩阵分解用于可解释协同过滤

    UIPC-MF 是基于原型的矩阵因式分解方法，用于可解释的协同过滤推荐，通过学习反映用户和物品原型之间关联关系的连接权重，提供更好的透明度和较高的推荐性能。

    Aug, 2023

  • 无偏监督对比学习

    本文提出了一种基于边界的理论框架，并推导出了一种新的有监督对比损失（epsilon-SupInfoNCE）和一种有效的去偏差正则化损失（FairKL），这些方法可以用于从偏差数据中学习无偏模型，并在多个偏差数据集上实现了最先进的性能。

    Nov, 2022