面向非随机丢失数据的双重校准推荐估计器

WWWFeb, 2024

面向非随机丢失数据的双重校准推荐估计器

Doubly Calibrated Estimator for Recommendation on Data Missing Not At Random

Wonbin Kweon, Hwanjo Yu

TL;DR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。

Abstract

recommender systems often suffer from selection bias as users tend to rate their preferred items. The datasets collected under such conditions exhibit entries missing not at random and thus are not randomized-con

recommender systems selection bias doubly robust estimator miscalibrated imputation propensity models

发现论文，激发创造

推荐中反事实倾向估计的不确定性校准

本论文针对推荐系统中存在的缺失数据，提出了一种基于反事实倾向评分的缺失值加权估计方法。通过使用多种代表性不确定性校准技术来对倾向得分估计进行不确定性校准，理论分析和实验结果表明，不确定性校准的 IPS 估计器比未校准的表现更好，从而提高了推荐结果。

Mar, 2023

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

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

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

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

解决离线推荐学习中的倾向性矛盾问题

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

基于细粒度动态框架的偏差 - 方差联合优化在非随机丢失数据上的研究

大多数实际应用中的数据收集通常包含缺失值，这些缺失值通常是非随机缺失，从而降低了模型的预测性能。本文首先从理论上揭示了正则化技术的局限性，并进一步说明，对于更一般的估计器，无偏性必然导致方差无界。然后，我们开发了一种系统的精细动态学习框架，通过预定义的目标函数为每个用户 - 项对自适应选择适当的估计器，从而联合优化偏差和方差。通过这种操作，模型的泛化界限和方差减少并且有理论保证。通过大量实验证实了理论结果和所提出的动态学习框架的有效性。

May, 2024

用于因果效应估计的校准倾向得分

通过对倾向得分模型进行重新校准，可以提高因果效应估计的准确性，进而降低在高维基因组关联研究等任务中的计算要求。

Jun, 2023

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

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