近年来，随着推荐系统技术的不断发展，人们逐渐注意到用户行为与真实偏好之间可能存在偏差。目前已有一些关于如何从有偏数据中学习用户真实偏好的研究，然而，这些工作仅仅注意到了位置、模态等单一物品属性对于用户行为的影响，忽略了由于具有多个属性的多个物品间的存在相互影响产生的偏差，即情境偏差。
为此，我们提出了一种新的情境偏差感知推荐系统（CBR），用于对情境偏差进行建模与去偏。具体而言，我们首先提出了基于多头自注意力的内容表征模型和偏差表征模型来对物品间的相互影响进行表征。随后，我们通过注意力网络得到有偏的用户表征，并以此为依据从用户未点击过的物品中推断得到用户负向偏好。最终，我们基于用户负向偏好推断出用户真实的偏好表征。我们在真实的有偏数据上进行训练，并同时在真实的有偏和无偏数据上进行测试，实验结果证明了我们的模型可以有效地对情境偏差进行捕捉与去偏。
本工作由中国科学技术大学、腾讯公司和香港城市大学联合完成。相关成果已被中国计算机学会推荐A类国际会议WWW 2022录用，论文信息如下：

论文标题：

CBR: Context Bias aware Recommendation for Debiasing User Modeling and Click Prediction

会议名称：

The Web Conference 2022

论文作者：

Zhi Zheng, Zhaopeng Qiu, Tong Xu, Xian Wu, Xiangyu Zhao, Enhong Chen, Hui Xiong

如下图所示，我们的框架主要由内容表征模块，偏差表征模块和用户表征模块组成。

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