简介：推荐系统通常会放大数据中的偏差。从不平衡商品分布的历史交易中学习到的模型，会过度推荐热门商品，从而进一步扩大了商品分布的不平衡。从长远来看，解决这个问题对于建立一个健康的推荐生态系统至关重要。现有研究将偏差控制应用于排序目标(如校准、公平性和多样性)，但忽略了偏差放大的真正原因，并牺牲了推荐精度。在本研究中，我们仔细研究了偏差放大的因果因素，发现主要原因是不平衡的商品分布对用户表征和预测得分的混淆效应。这种混淆因素的存在促使我们需要超越仅仅对条件概率建模，而采用因果模型来进行推荐。为此，我们提出了一个去混淆效应推荐系统(DecRS)，它模拟了用户表示对预测分数的因果效应。消除混淆因素影响的关键在于后门调整，但由于混杂因素的样本空间是无限的，这很难做到。对于这个挑战，我们提出了后门调整的近似算子，可以很容易地用于大多数推荐模型中。最后，我们设计了一个推理策略，根据用户状态动态调节后门调整算子。我们在FM[29]和NFM[16]两个代表性模型上实例化了DecRS，并在两个基准数据集上进行了大量的实验，以验证我们提出的DecRS的有效性。

链接：https://arxiv.org/pdf/2105.10648.pdf
推荐理由：本文使用因果推断的手段来消除推荐系统中的混淆效应，从而缓解popularity bias，算法具有很强的新颖性，值得借鉴。

内容中包含的图片若涉及版权问题，请及时与我们联系删除