简介：目前的推荐系统在在线服务中取得了巨大的成功，例如电子商务和社交媒体。然而，它们在实际场景中仍然受到性能下降的影响，因为在用户行为的生成过程中总会出现各种偏差。尽管最近在解决一些特定类型的偏差方面取得了进展，但各种数据偏差，其中一些甚至是未知的，往往在实际应用中混杂在一起。尽管随机的（或无偏见的）数据可能有助于实现一般去偏的目的，但这样的数据要么很难获得，要么会产生高的实验成本。在本文中，我们考虑了一个更实际的环境，即我们的目标是仅用有偏的观察数据来进行一般去偏。我们假设观察到的用户行为是由不变的偏好（即用户的真实偏好）和变异的偏好（受一些未观察到的干扰因素影响）决定的。我们提出了一个新的推荐框架，称为InvPref，它通过估计不同类型的潜在偏见所对应的异质环境，从有偏见的观察用户行为中迭代分解出不变的偏好和变异的偏好。广泛的实验，包括一般去偏和特殊去偏的设置，验证了我们方法的优势。
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
评论
沙发等你来抢