推荐系统Deconfounded Recommendation for Alleviating Bias Amplification因果论文笔记

最新推荐文章于 2023-01-31 11:54:55 发布
最新推荐文章于 2023-01-31 11:54:55 发布
阅读量727 收藏 1
点赞数 1
文章标签： 算法 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Super_cute_/article/details/121561013
版权

Deconfounded Recommendation for Alleviating Bias Amplification

推荐系统中通常用于学习的数据是不平衡的，传统方法会忽略偏差放大

方法

基本思路

用因果推断的方法，分析得到user-item的不平衡历史数据会影响用户表征和预测分数
D为历史点击数据分布，U为用户表征，M为用户在item分组上的表征，I为item表征，Y为预测分数
在这里插入图片描述

历史点击数据对用户表征和预测分数都有影响
在这里插入图片描述

D是U->M的混杂因子，后门调整，干预U使U和D独立
在这里插入图片描述

原来的du变成了d，现在依赖的是d的先验分布不再是u的条件分布，因此对用户u推荐item的时候，不会受到du中u用户点击较高的item的影响，这就缓解了数据偏差造成的问题

实现

后门调整
（2c）需要知道D的分布才能进行计算，但理论上D应该是无限大的，只能通过估计得到2c的近似值
在训练数据中，用D~表示对用户在item组上的历史数据的分布来近似D
在这里插入图片描述

M函数表示分组级别的用户表征，表示用户在不同item组上的偏好
在这里插入图片描述

推理策略

一些用户本身就是有偏的，用KL散度来判断用户是否兴趣多变，容易改变兴趣的就容易受到影响
将原有的用户u的序列分为两段序列，然后计算这两段序列的对称KL散度，值越大越容易改变兴趣，需要后门调整
在这里插入图片描述

实验

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

倾_尘
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
推荐系统+因果推断（一）——KDD2021推荐系统中去除混淆缓解偏差放大
夏未眠秋风起的博客
09-21 4446
今天和大家分享一篇因果推断和推荐系统结合的文章。因果推断在推荐系统中主要应用于用户增长、定价算法以及纠偏等领域，这篇文章属于纠偏领域。主要用到了我们前面因果推断（二）和因果推断（四）中提到的混杂和后门调整等内容，有不熟悉的小伙伴可以翻看前面的文章，好啦，进入正题。 背景 推荐系统中通常用于学习的数据是不平衡的。由于我们是从用户的历史点击或者转化数据中进行学习，因此通常会面临这样一个问题：对于推荐过的商品我们会认为用户是很感兴趣的，所以很可能会继续给他推荐，而对于没有推荐过的商品，...
推荐系统 Causal Intervention for Leveraging Popularity Bias in Recommendation因果论文笔记
Super_cute_的博客
11-26 760
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-????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 D???? +1 上获得高推荐准确度 物品
Deconfounded Recommendation for Alleviating Bias Amplification个人理解
qq_42856273的博客
10-12 572
Deconfounded Recommendation for Alleviating Bias Amplification #mermaid-svg-05exCPtIQaxKShuj .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-05exCPtIQaxKShuj .label text{fill:#333}#
【推荐算法论文阅读】Recurrent Recommender Networks
qq_36643449的博客
01-07 772
一、背景 推荐系统传统的解决方案对数据的时间效应和因果属性缺乏处理，典型情景如： 用户对电影的看法是随时间变化的，这种变化会使得一些垃圾电影变为流行电影 季节时令性：浪漫喜剧，圣诞电影，夏日大片等类型的movie的季节性尤其突出。 用户兴趣：这个变化因素就更多了，通常很难显式建模。 二、亮点 使用两个LSTM网络来建模动态的user state和item state 同时，考虑到用户长期兴趣和item静态特征等固定属性，还使用矩阵分解建模用户和item的静态潜在属性 由于每个评分rijr_{ij}ri
图灵奖得主Judea Pearl：因果推断论文本周推荐(2022.8.8)
常政·视角
08-11 4755
图灵奖得主、因果科学之父Judea Pearl 在推特上推荐了本周（2022.8.8）值得一读的10篇近期发表的因果推断相关论文，我做了简单编译。
『论文笔记』Deconfounded Image Captioning
Hoshino Ren的博客
03-22 762
Deconfounded Image Captioning 一句话总结 作者认为图像描述等视觉语言类任务中偏置的罪魁祸首是预训练数据集，因此利用前后门调整方式去混杂。 导论 Motivation： 最近的视觉语言社区越来越关注数据集偏置问题，陷入了”做一个数据集“；”有偏置“；”做一个新的“循环之中，尽管也有一些工作开始着眼于设计不受偏置影响的模型，但是却始终没有人探究偏置背后的原因究竟是什么。 作者以图像描述任务为案例，试图探究这一原因，并得出”真正的恶魔存在于预训练数据集中“这一结论。 Cont
论文翻译及笔记【Quantifying Societal Bias Amplification in Image Captioning】
hollyprince的博客
05-06 470
2022年CVPR文章的学习心得及翻译 原文链接 https://arxiv.org/abs/2203.15395v1 摘要 我们研究图像描述中社会偏见放大（的问题）。图像描述模型已被证明会延续性别和种族偏见，然而，衡量、量化和评估描述中的社会偏见的指标还没有标准化。我们对每个指标的优势和局限性进行了全面的研究，并提出了LIC，一个研究字幕偏见放大的指标。我们认为，对于图像描述来说，仅仅关注（能否）正确预测关键属性是不够的，还应该考虑到整个上下文（背景）。我们对经典的和最先进的图像描述模型进行了广泛的评估，
Causal Intervention for Leveraging Popularity Bias in Recommendation论文笔记
最新发布
爱学习爱运动的专栏
01-31 597
Causal Intervention for Leveraging Popularity Bias in Recommendation论文笔记
Recommendation-system:推荐系统资料笔记收录 Everything about Recommendation System. 专题书籍论文产品
05-26
推荐系统资料收集 Fire 2017.12.04 做了一个： 基于Surprise实现的具有完整功能的推荐系统服务，并利用flask框架实现了简单的接口调用 封装了完整的更新日志数据、训练、根据id查询推荐结果等功能 包含了常见的SVD、...
learning-recommendation-system:推荐系统学习笔记
03-11
本项目“learning-recommendation-system”是一份针对推荐系统学习的实践笔记，旨在帮助学习者掌握推荐系统的概念、算法和技术，并通过实际操作提升技能。 推荐系统的核心在于理解用户的需求和兴趣，通过分析用户的...
Deconfounded Causal Collaborative Filtering 论文笔记
hl_220284的博客
01-03 1020
欢迎一起讨论呀~ 【写在前面的问题】本文因果图的合理性：U 的表示如何影响 I 的表示的？ 【目的】训练数据中存在很多潜在混杂因子是观察不到的，针对这个问题本文提出了一个去混杂因子的因果协同过滤模型。 【方法】把未观察到的混杂因子的用户行为融合进因果图的框架中，然后设计了一个前门调整模型，谨慎地融合机器学习来对观察不到的混杂因子的影响去混。 【结果】实验说明可以通过该方法去除未观察到的混杂因子，从而使得推荐性能更好。 1. Introduction 现有的方法都是希望通过手动去除特定混杂因子来提高性能，但现
Deconfounded Visual Grounding
BachelorSC ' s Notes
03-16 4737
**本文内容仅代表个人理解，如有错误，欢迎指正** 1. Questions Q1: 什么是confounding bias between language and location in the visual grounding pipeline？ - 论文作者认为，模型在grounding的过程中，更依赖于query来框出target的location，而非去做visual reasoning。举个例子来说明Confounding bias，比如说在训练数据集中，包含“sheep”这个词的que
推荐系统公平性之校准化推荐--calibrated recommendations
beilizhang的博客
06-12 1924
主要参考论文：论文1《Calibrated Recommendations》、论文2《Crank up the volume: preference bias amplification in collaborative recommendation》 推荐系统中的偏好放大现象（preference bias amplification） 你是否有过这样的经历：某天在淘宝搜索了一样东西后，接下了一段时间的推荐都是关于这个物品的，哪怕你已经购买了这个物品或者你只是简单地搜来瞧瞧；在抖音上给某些视频点了赞，后面
推荐系统和知识图谱论文推荐
qq_35222729的博客
08-30 5623
KDD2020 Graph-based Recommendation A Framework for Recommending Accurate and Diverse Items Using Bayesian Graph Convolutional Neural Networks 【华为诺亚】 An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous Graph 【Amazon】 论文：
《因果学习周刊》第6期：因果推荐系统
BAAIBeijing的博客
12-07 914
No.06智源社区因果学习组因果学习研究观点资源活动关于周刊因果学习作为人工智能领域研究热点之一，其研究进展与成果也引发了众多关注。为帮助研究与工程人员了解该领域的相关进展和资讯，智源社...
KDD2021推荐系统论文集锦
张小磊的博客
06-30 3479
嘿，记得给“机器学习与推荐算法”添加星标一年一度的知识发现与数据挖掘顶级会议SIGKDD将于8月14日至18日在线上举行。据统计，今年共有1541篇有效投稿，其中238篇论文被接收，接收率...
推荐系统遇上深度学习(八十九)-推荐系统中的反馈循环
abcdefg90876的博客
08-02 1610
本文介绍的论文题目为：《Feedback Loop and Bias Amplification in Recommender Systems》下载地址为：https://arxiv.o...
【综述精读】：Causal Inference in Recmmender Systems（因果推论在推荐系统中的应用）
qq_42898299的博客
09-15 1666
如今的推荐系统的基本思想是对“关联”进行建模，例如协同过滤中的行为联系（behavior correlation），或者是CTR中的特性-特性（feature-feature）、特性-行为（feature-behavior）联系。 然而，现实世界是由因果关系推动的，而不是所谓的联系，联系并不意味着存在因果关系。
58同城推荐系统设计：沈剑解析职位与主题推荐
“58同城内容推荐系统设计与实现（沈剑）.pdf”主要探讨了58同城在内容推荐领域的实践，涵盖了推荐系统的基础概念、常用推荐方法以及系统设计与实现过程中的挑战。 推荐系统是现代互联网服务的核心组成部分，尤其在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值