Aug, 2023

CDR: 保守双重稳健学习以消除偏向的推荐

PDF
TL;DR为解决推荐系统中的数据偏差问题，本研究提出一种名为保守双重稳健策略（CDR）的方法，通过检验均值和方差来过滤造成负面影响的代入值。理论分析表明，CDR 具有降低方差和改善尾部边界的优势，并通过实证研究证明，CDR 显著提高了性能并减少了有害的代入值的频率。
recommendation systemsuser behavior databiasdoubly robust learningpoisonous imputation
发现论文，激发创造
  • 推荐系统的多重鲁棒学习

    本文提出了一种多重稳健估计器，该估计器可以利用多个候选值进行无偏估计，并介绍了一种新的具有稳定性的多重稳健学习方法，实验结果表明，该方法具有优越的性能.

    Jul, 2022

  • 增强双重稳健学习用于除偏点击后转化率估计

    提出了一种更强健的双重鲁棒估计器（MRDR），利用双重学习方法实现其误差插值，从而提高对推荐系统中的后点击转化率进行估计的准确性。在半合成数据集和两个真实世界数据集上的实验证实了该方法的有效性。

    May, 2021

  • 面向非随机丢失数据的双重校准推荐估计器

    推荐系统在用户评级其偏好项目时常受到选择偏差的困扰。本文提出了一种加倍稳健估计器及其改进类型，通过提供准确的修正误差或预测倾向来确保无偏估计。然而，现有的估计器依赖于粗糙模型的不准确修正误差和倾向评分，我们提出了一个加倍校准估计器，通过校准修正误差和倾向模型以提高估计器的效果。通过实证研究验证了我们的理论，并结合预测和修正模型一起进行了校准专家的三层联合学习，在真实数据集上的广泛实验中证明了加倍校准估计器在去偏推荐任务中的优越性。

    Feb, 2024

  • 连续治疗的双重稳健近端因果学习

    我们提出了基于核的 DR 估计器，可以处理连续的处理方式，并通过充分性证明其正态形式是影响函数的一致近似。我们还提出了一种高效解决干扰函数的新方法，并以均方误差为指标进行了全面的收敛性分析，证明了我们估计器在合成数据集和实际应用中的实用性。

    Sep, 2023

  • 跨域推荐：挑战、进展和前景

    本文综述了现有的跨领域推荐方法，包括挑战、研究进展和未来方向，把现有的跨领域推荐方法归纳为四类：单目标 CDR，多领域推荐，双目标 CDR 和多目标 CDR，并提出了全景分类和新的分类法，并详细报告了它们的研究进展。

    Mar, 2021

  • 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

  • 因果推断的双重稳健学习教程

    该论文介绍了双重稳健学习方法，旨在通过整合倾向得分和结果建模来从观测数据中进行因果推断。通过使用 EconML 软件包演示其应用，该论文消除了双重稳健方法的复杂性，并提供了实际的编程示例，旨在使数据科学和统计学的研究人员和从业人员可以更便捷地应用双重稳健学习方法。

    Jun, 2024

  • 实现开放世界的跨领域顺序推荐： 一种模型无关的对比去噪方法

    跨领域的顺序推荐（CDSR）的关键问题是解决传统顺序推荐系统中存在的数据稀疏问题。然而，在现实世界的推荐系统中，CDSR 场景通常包含大多数行为稀疏和冷启动用户，这导致现有 CDSR 方法在实际产业平台中性能下降。因此，在开放世界的 CDSR 场景中提高模型的一致性和效果对于构建 CDSR 模型至关重要。

    Nov, 2023

  • 更加健壮的双重偏差离线评估

    本文针对强化学习中的离策略评估问题，提出了一种名为 MRDR 的更加鲁棒的 Doubly Robust 估计方法，该方法通过最小化 DR 估计器的方差来学习模型参数，并在上下文决策和强化学习基准问题中进行评估，证明了其强一致性和渐进最优性。

    Feb, 2018

  • 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