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

最新推荐文章于 2024-06-09 09:44:31 发布

倾_尘

最新推荐文章于 2024-06-09 09:44:31 发布

阅读量777

点赞数 1

文章标签：算法推荐系统

本文链接：https://blog.csdn.net/Super_cute_/article/details/121560741

版权

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&#

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

倾_尘

关注关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

SIGIR‘21因果推断——不要把流行度偏差一棍子打死Causal Intervention for Leveraging Popularity Bias in Recommendation

夏未眠秋风起的博客

10-08

2075

Causal Intervention for Leveraging Popularity Bias in Recommendation https://arxiv.org/pdf/2105.06067.pdf 背景本文所提方法针对召回阶段所用方法。之前的工作考虑的是如何缓解流行偏差带来的问题，包括IPS，causal embedding等，而本文考虑的是直接缓解流行偏差而不是流行偏差带来的影响。并且本文考虑到“不是所有流行偏差都是有害的”，流行的item可以反映这个item的趋势和内在特性。而我们..

Causal Intervention for Leveraging Popularity Bias in Recommendation论文笔记

爱学习爱运动的专栏

01-31

604

Causal Intervention for Leveraging Popularity Bias in Recommendation论文笔记

参与评论您还未登录，请先登录后发表或查看评论

Causal Intervention for Leveraging Popularity Bias in Recommendation（更文中……）

qq_52134394的博客

03-08

320

这里写目录标题Causal Intervention for Leveraging Popularity Bias in Recommendation（在推荐中利用受欢迎度偏差的因果干预）摘要1，Introduction Causal Intervention for Leveraging Popularity Bias in Recommendation（在推荐中利用受欢迎度偏差的因果干预）用的数据集来源：Kwai（快手）、豆瓣、腾讯摘要 1，流行度偏差问题：马太效应，流行度的物品更流行，不流行的物品

《Causal intervention for leveraging popularity bias in recommendation》在推荐中利用受欢迎程度偏差的因果干预

qq_51866108的博客

10-08

402

Causal Intervention for Weakly-Supervised Semantic Segmentation

MTandHJ的博客

04-06

1895

文章目录概主要内容普通的弱监督语义分割因果模型训练流程代码 Zhang D., Zhang H., Tang J., Hua X. and Sun Q. Causal Intervention for Weakly-Supervised Semantic Segmentation. NIPS, 2020. 概这篇文章从因果关系的角度剖析如何提升弱监督语义分割的方法. 主要内容普通的弱监督语义分割弱监督语义分割不似普通的语义分割一样依赖丰富的人工标注, 本文考虑的情况就是非常极限的, 仅知道每张图

Adversarial Visual Robustness by Causal Intervention

qq_40731332的博客

06-28

440

Adversarial Examples. Defenders用于提高对抗鲁棒性，一些defenders受biological vision systems启发。整体来说，可以分为五类：(1) adversarial training; (2) data augmentation; (3) generative classifier; (4) de-nosing; (5) certified defense. Causality in Computer Vision. 造成对抗扰动的混淆因子通常是不可见.

Causal Embeddings for Recommendation》笔记

永不理解_fdu的博客

03-17

3577

Another url：https://bulihanjie.github.io/2019/02/28/Causal-Embeddings-for-Recommendation笔记/#more 摘要应用中期望使用推荐策略来推荐最适合的结果来改变用户行为，最大化推荐收益，如极大化点击率等。但由于推荐系统改变了用户的行为方式，使得用户的日志行为和原本的用户自然行为有了比较大的差异。简单的在用户日志上...

Causal Recommendation：Progresses and Future Directions.pdf

04-28

推荐系统炼丹笔记：推荐系统Bias/Debias大全

炼丹笔记

01-10

386

作者：一元公众号：炼丹笔记背景在实践中,做推荐系统的很多朋友思考的问题是如何对数据进行挖掘，大多数论文致力于开发机器学习模型来更好地拟合用户行为数据。然而，用户行为数据是观察性的，而不是实验性的。这里面带来了非常多的偏差,典型的有：选择偏差、位置偏差、曝光偏差和流行度偏差等。如果不考虑固有的偏差，盲目地对数据进行拟合，会导致很多严重的问题，如线下评价与在线指标的不一致,损害用户对推荐服务的满意...

Adversarial Visual Robustness by Causal Intervention论文笔记

威化饼的一隅

12-11

1115

Adversarial Visual Robustness by Causal Intervention论文阅读过程中的笔记

Adversarial Visual Robustness by Causal Intervention个人理解

qq_42856273的博客

10-12

210

Adversarial Visual Robustness by Causal Intervention 符号含义 R 工具变量，视网膜采样 C 混杂因子 X 输入特征 Y 预测结果 ϵ\epsilonϵ 扰动 N 样本数量 r 采样次数解决问题对抗学习的稳定性问题、应对针对混淆梯度的攻击传统的对抗学习训练： max⁡δ∈DϵP(Y=yˉ∣X=x+δ)∝∑iy^iln⁡efi(x+δ)∑jefj(x+δ) \begin{aligned} \displays

2021-10-12RecSys2021通过信息瓶颈缓解推荐中的混淆偏差Mitigating Confounding Bias in Recommendation via Informati-论文翻译

weixin_47104688的博客

10-12

901

作者：袁冬至微信：DataGap 公众号：救命的药研究方向：推荐系统 欢迎交流，学习！ Mitigating Confounding Bias in Recommendation via Information Bottleneck 通过信息瓶颈缓解推荐中的混淆偏差-论文翻译又是一篇新的关于bias的文章； ABSTRACT How to effectively mitigate the bias of feedback in recommender systems is an important r

【Causality】intervention计算必备|库包do why的初步认识

机器学习的第一年

01-07

824

本系列为因果学习库包dowhy的使用辅导教程。包含理论知识，代码理解及方便理解的代码补充。

（CVPR2020）论文笔记：Visual Commonsense Representation Learning via Causal Inference

宵练丶的博客

02-16

377

图像标题与因果推断结合的一篇论文