Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation

推荐系统利用用户历史互动来了解其偏好，并从大量候选项中提供个性化推荐。目前的推荐系统主要依赖于这样一个假设：训练和测试数据集具有相同的分布，但实际情况可能并非如此。事实上，由于用户属性的演变，训练和测试数据集之间的分布偏移经常发生，这会降低传统推荐系统的性能，因为它们在分布外（OOD）泛化方面失败，特别是在数据稀疏的情况下。本研究深入探讨了OOD泛化的挑战，并提出了一种名为跨域因果偏好学习的OOD推荐模型（CDCOR），其中包括使用域对抗网络来发现用户的域共享偏好，并利用因果结构学习者来捕捉因果不变性以解决OOD问题。通过在两个真实数据集上进行广泛的实验，我们验证了我们的模型在处理各种数据稀疏和分布外环境的出色性能。此外，我们的方法超越了基准模型，在分布外泛化方面表现出优异的能力。

本论文旨在解决基于历史交互数据的推荐系统在面对数据稀疏和分布偏移时的泛化问题，提出了一种新的模型CDCOR。

CDCOR模型采用领域对抗网络和因果结构学习相结合的方法，旨在发现用户领域共享的偏好并捕捉因果不变性。

本论文在两个真实世界数据集上进行了广泛实验，证明了CDCOR模型在处理数据稀疏和分布偏移等多种情况下的优异性能，并超越了基准模型。同时，论文开源了代码。

最近相关研究包括《Learning to Learn from Data: An Artificial Intelligence for Data Science》、《A Survey of Out-of-Distribution Detection Techniques》等。