推荐系统 Causal Intervention for Leveraging Popularity Bias in Recommendation因果论文笔记

Causal Intervention for Leveraging Popularity Bias in Recommendation

1.问题

在数据上，项目在交互频率上呈现不均匀分布
在方法上，协同过滤方法容易通过过度推荐热门项目来放大偏见

2.解决

如何利用流行偏差来提高推荐的准确性
    如何去除训练时受欢迎度偏差的不良影响？
    如何在生成top-𝐾推荐的推理阶段注入期望的受欢迎度偏差

3.相关知识

通过历史数据捕捉用户偏好，在 D𝑇 +1 上获得高推荐准确度
    物品𝑖在𝑡阶段上的当地受欢迎程度
    本地受欢迎程度对系统的曝光机制和用户决策有较大的影响，最新的数据影响最大

人气漂移（Drift of Popularity）DP
｜ 项目受欢迎程度是动态变化的，流行偏见的影响也可能是动态的
    詹森香农散度 衡量两个阶段之间的相似性

4.主要工作

用因果图分析了受欢迎度偏差对推荐系统的影响
    𝑍→ 𝐶意味着物品受欢迎程度直接影响互动概率（从众心理），𝑍 → 𝐼意味着项目受欢迎程度会影响项目是否被曝光（偏差）
    将用户-项目匹配估计为𝑃 (𝐶|𝑑𝑜(𝑈， 𝐼))在训练期间切断了𝑍 →𝐼的路径 使项目不受流行度的影响

提出了一个新框架：流行偏差消除和调整(PDA)
｜ 该框架通过演算进行去中心化训练，并在推荐推理过程中对人气偏差进行因果干预

5.方法

Deconfounded
｜ 求𝑃(𝐶|𝑑𝑜(𝑈， 𝐼))