推荐系统中的因果发现:示例与讨论
本文介绍了 CLEAR 方法,它可以从基于注意力的推荐器的注意力中学习会话特定的因果图,在潜在混淆因素的可能存在下进行。这些因果关系图描述了用户在注意力所捕捉到的上下文中的行为,并为推荐提供了反事实的解释。通过实证评估,我们发现与天真地使用注意力权重来解释输入输出关系相比,CLEAR 找到的反事实解释更简短,并且替代推荐在原始的 Top-K 推荐中得到了更高的排名。
Oct, 2022
本文提出了一种基于因果决策转换器的推荐系统,即CDT4Rec,用于处理离线数据集的强化学习模型。该模型采用了变压器架构,能够处理大规模的离线数据集,并捕捉数据中的长短期依赖关系,以估计动作、状态和奖励之间的因果关系。我们通过对六个真实世界离线数据集和一个在线模拟器的实验,证明了该模型的可行性和优越性。
Apr, 2023
提出了Socially-aware Temporally caUsal Decoder recommender sYstems (STUDY)算法,该算法通过单个转换器解码器网络的前向传递实现对社交网络图中相邻用户组的联合推断,以优化学校教育内容场景下的推荐表现。
Jun, 2023
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
图神经网络(GNNs)在因果学习中的应用和发展进行了全面的综述,包括分类和应用等方面,提供了与实际研究相关的数据集,同时探讨了因果学习在不同领域的应用,为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。
Nov, 2023
在强化学习推荐系统中,我们引入一种创新的因果方法,用于分解状态并提取因果性关键特征,从而使得决策过程更具影响力。通过利用条件互信息,我们开发了一个框架来识别生成过程中的因果关系,并从通常密集且高维的状态表示中分离出关键状态变量,进而构建因果性关键特征,使训练的策略在代理状态空间的一个更优子集上取得了更好的效果。通过广泛的实验,我们展示了我们的方法优于现有方法。
Jul, 2024
本研究解决了图神经网络(GNN)推荐算法面临的分布外(OOD)数据性能下降问题。我们提出了一种名为CausalDiffRec的新方法,通过构建结构性因果模型,消除环境混淆因素,从而实现图表示的学习,提高了模型对OOD数据的泛化能力。实验结果表明,该方法在多个数据集上显著提升了推荐性能,证明了其广泛的应用潜力。
Aug, 2024