CaDRec: Contextualized and Debiased Recommender Model

针对挖掘用户行为模式的推荐模型已成为日常生活中必不可少的应用之一，因此引起了广泛关注。最近有关图神经网络（GNNs）或去偏方法的研究取得了显著的进展。然而，它们仍然存在两个问题：（1）由于使用GNNs进行递归卷积而导致的过度平滑节点嵌入，（2）由于流行度和用户个体偏见而导致的交互分布偏斜。本文提出了一种上下文化和去偏的推荐模型（CaDRec）。为了克服过度平滑的问题，我们探索了一种新颖的超图卷积算子，通过引入结构上下文和顺序上下文，在卷积过程中可以选择有效的邻居。为了解决交互分布偏斜的问题，我们提出了两种策略：（1）建模个体偏见以学习无偏的项目嵌入，（2）结合项目流行度和位置编码。此外，我们还数学地证明，更新项目嵌入的梯度不平衡会加剧流行度偏见，因此采用正则化和加权方案作为解决方案。在四个数据集上进行的大量实验证明了CaDRec优于最先进的方法。我们的源代码和数据已发布在https://github.com/WangXFng/CaDRec上。

提出一个上下文化和去偏见的推荐模型，解决了当前推荐模型中存在的节点嵌入过度平滑和交互分布偏斜的问题。

使用超图卷积运算符来选择有效的邻居节点，以克服节点嵌入过度平滑的问题，并采用两种策略来解决交互分布偏斜的问题：建模个体偏见以学习无偏的物品嵌入，以及结合物品流行度和位置编码。

论文在四个数据集上进行了广泛的实验，证明了该模型的优越性，并公开了源代码和数据。此外，论文还提出了正则化和加权方案来解决物品嵌入梯度不平衡的问题。

最近的相关研究包括使用图神经网络或去偏见方法的推荐模型。