认识邻近效应：在干涉下建模选择偏差

ICLRApr, 2024

认识邻近效应：在干涉下建模选择偏差

Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference

Haoxuan Li, Chunyuan Zheng, Sihao Ding, Peng Wu, Zhi Geng...

TL;DR推荐系统中的选择偏差源于系统过滤和用户选择的交互过程。本研究从因果推断的角度，形式化地将邻域效应作为干预问题，并引入治疗表示来捕捉邻域效应。在此基础上，我们提出了一种新的理想损失函数，用于处理具有邻域效应的选择偏差问题。我们进一步开发了两种新的估计器来估计所提出的理想损失函数。理论上建立了所提出的方法与先前忽略邻域效应的去偏倚方法之间的联系，表明所提出的方法在存在选择偏差和邻域效应时可以实现无偏学习，而现有方法存在偏差。大量的半合成和真实世界实验被进行以证明所提出方法的有效性。

Abstract

selection bias in recommender system arises from the recommendation process of system filtering and the interactive process of user selection. Many previous studies have focused on addressing →

selection bias recommender system neighborhood effect ideal loss causal inference

发现论文，激发创造

基于结构化神经网络的推荐器干扰下的治疗效果估计

推荐系统对于内容分享平台的个性化内容整理至关重要。通过进行创作者方面的随机实验以估计治疗效应，定义为当新的（而不是现状）算法在平台上部署时，平台经常评估面向内容创作者的推荐系统更新。我们展示了标准差异估计量可能导致偏倚的治疗效应估计。这种偏倚的产生是因为推荐干扰，即在推荐系统中，受治疗群体和对照群体的创作者竞争曝光机会。我们提出了一种 “推荐选择模型”，该模型捕捉到在包含受治疗和对照内容项的池中如何选择项目。通过结合结构性选择模型和神经网络，该框架以微观基础的方式直接建模推荐干扰路径，并考虑丰富的观众 - 内容异质性。使用该模型，我们构建了一种一致且渐近正态的治疗效应的双重 / 无偏估计量。我们通过对微信短视频平台进行的一项实地实验展示了其实证表现：除了标准的创作者方面实验外，我们还进行了昂贵的阻塞性双边随机化设计以获得没有干扰偏倚的基准估计。我们展示了相对于标准差异估计量，所提出的估计量显著减少了治疗效应估计中的偏倚。

Jun, 2024

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

多行为推荐中的公平因果干预

本文提出了一种基于因果框架、通过多种用户行为数据进行推荐，以消除流行度偏差并提高推荐公平性且不牺牲推荐准确性的方法。

Sep, 2022

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

信任邻居：推荐系统基于邻居的综合调查

本文综述了基于最近邻的协同过滤算法，包括传统算法和先进算法如矩阵分解、稀疏编码和随机游走，介绍了设计实现最近邻推荐系统的关键选择和实践信息。