简介：推荐模型通常根据观察到的交易数据进行训练。然而，观测数据可能来自于用户对热门商品的趋同，这就掩盖了用户的真实兴趣。现有的方法跟踪这个问题，以消除流行偏差，例如，通过重新加权训练样本或利用一小部分无偏数据。然而，这些方法忽略了用户的多样性，并且将交互的不同原因捆绑在一起作为统一的表示，因此当底层原因发生变化时，鲁棒性和可解释性得不到保证。在本文中，我们提出了DICE，一个学习表示的通用框架，其中用户兴趣和一致性在结构上分离，各种骨干推荐模型可以平滑地集成。基于兴趣和一致性，我们为用户和商品分配了单独的嵌入，并使用根据因果推理的碰撞效应获得的特定原因数据进行训练，使每个嵌入只捕获一个原因。我们提出的方法优于最先进的基线模型，并在两个真实数据集上对各种骨干模型进行了显著改进。我们进一步证明，学习的嵌入成功地捕获了期望的原因，并表明DICE保证了推荐的鲁棒性和可解释性。

链接：https://arxiv.org/pdf/2006.11011.pdf
推荐理由：本文使用了causal embedding来对用户兴趣和热门商品进行解藕，并利用因果推断中的碰撞效应起到了去偏差的效果。

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