KDDJun, 2024

去偏推荐算法与噪音数据

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 非偏向性推荐系统学习来自缺失非随机暗示反馈的信息

    针对推荐系统中存在的正 - 未标记问题，本研究提出一种理想损失函数和无偏估计器，并进一步提出一个剪切估计器来通过平衡偏差和方差来改进推荐系统的性能。半合成和真实实验表明，该方法在最大化推荐物品相关性方面具有更好的性能，特别是对于在训练数据中很少出现的物品。

    Sep, 2019

  • 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

  • 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

  • 基于偏差隐式反馈的双边自我无偏差学习

    提出一种新的无偏向推荐算法 BISER（BIlateral SElf-unbiased Recommender），使用自反倾向权重（SIPW）和双边无偏学习（BU）相结合减少推荐模型对物品的曝光偏差和流行度偏差。经过多次实验证明，BISER 在多个数据集上比现有无偏向推荐算法表现更优。

    Jul, 2022

  • 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

  • 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

  • 神经分层去偏见推荐

    我们提出了一种针对推荐系统中由于观测到的用户 - 项目曝光数据稀疏和嘈杂导致难以估计 IPS 的问题的方法，该方法通过聚类用户来计算更准确的 IPS，从而提高暴露密度，基于现实世界数据集展开广泛的实验以证明方法的有效性。

    Aug, 2022