论文标题：

Bilateral Self-unbiased Learning from Biased Implicit Feedback

论文链接：

http://www.joonseok.net/papers/biser.pdf

code：

https://github.com/Jaewoong-Lee/sigir_2022_BISER

推荐系统中通常采用隐式反馈（如点击）来构建模型，而观察到的反馈代表用户的点击日志，所以观察到的点击与真实用户意图之间时存在差异的，并且观察到的反馈通常偏向于热门商品，从而高估了热门商品的实际相关性。尽管现有研究已经开发出使用逆倾向加权 (IPW) 或因果推理的无偏学习方法，但它们只专注于消除商品的流行度偏差。本文提出了一种新颖的无偏推荐学习模型BISER，以消除推荐模型引起的商品曝光偏差。BISER 由两个关键组成部分组成：

  • (i) 自逆倾向加权（SIPW），以逐渐减轻商品的偏差，而不会产生高计算成本；
  • (ii) 双边无偏学习 (BU) 以弥合模型预测中两个互补模型之间的差距，即基于用户和商品的自动编码器，减轻 SIPW 的高方差。

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