分离和学习潜在混淆因素以增强用户偏好建模
提出了一个去混淆因素的因果协作过滤模型,解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题,且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。
Oct, 2021
用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词,研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模,通过因果图的方式分离混淆因素和用户偏好。最后,提出了基于变分自动编码器的模型,命名为潜在空间中混淆因素的因果结构表示学习 (CSC),通过实验证明了该模型的优越性以及对混淆因素的可控性。
Nov, 2023
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
推荐系统中的潜在因子模型是一种有效的方法,本文通过结构化框架对潜在因子模型在学习数据、模型架构、学习策略和优化技术等方面进行了系统回顾,并分析了学习数据类型、各种模型和学习策略以及优化策略的趋势与潜在研究方向。
May, 2024
本研究探究回推协作过滤算法中被反馈循环所影响的用户评分矩阵,提出了衡量推荐系统对其整个评分矩阵影响的度量,并通过合成和实际数据集验证了其在还原固有用户偏好上的可用性。
Mar, 2017
通过从代理变量学习潜在表示来调整混淆偏差和 M 偏差,我们提出了一种用于无偏因果效应估计(DLRCE)的新型解缠的潜在表示学习框架。实验证明 DLRCE 在同时存在混淆偏差和 M 偏差的情况下显著优于最先进的估计器。
Dec, 2023
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。
Apr, 2023
本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法,该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模,并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。
Nov, 2020
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