[论文笔记] 消除推荐系统中流行偏好的模型-不可知论反事实推理

已于 2023-12-14 16:14:19 修改
阅读量308 收藏
点赞数
分类专栏： 论文笔记 文章标签： 深度学习 机器学习 算法
于 2021-12-07 22:39:27 首次发布
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/Trance95/article/details/121768127
版权
该论文探讨了推荐系统中的流行度偏差问题，通过引入因果推理的反事实模型，提出MACR框架，旨在消除模型对流行物品的偏好。MACR通过多任务学习和反事实推理调整排名分数，以减少物品流行度的直接影响，提高推荐的个性化。实验结果显示，MACR在多个数据集上显著优于现有去偏方法，尤其是在新闻推荐数据集上表现突出。
摘要由CSDN通过智能技术生成

目录

一、摘要

二、问题定义

三、模型

3.1 反事实的推论

🍇因果图

🍇因果效应

3.2 因果观点(Causal Look)

3.3 模型反事实推断（MACR）

🍓模型框架

🍓融合三个分支 Yi,Yu,Yk

3.4 去偏推理的合理性

3.5 Discussion

四、实验

数据集

评估策略的改变

Baselines

结果(RQ1)

超参数效应(RQ2)

Debias Capability (RQ4)

五、 Related Work

逆倾向权重(IPW)

因果嵌入

消除推荐系统中流行偏好的模型-不可知论反事实推理

Model-Agnostic Counterfactual Reasoning for EliminatingPopularity Bias in Recommender System

总览 

类似 模型纠偏。 

一、摘要

推荐系统的总体目标是为用户提供 个性化建议，这 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
心心喵
关注
专栏目录
订阅专栏
【图像超分/扩散模型】论文精读：Exploiting Diffusion Prior for Real-World Image Super-Resolution（StableSR）
畅游计算机视觉的海洋
03-26 7469
我们提出了一种新的方法来利用封装在预先训练的文本到图像扩散模型中的先验知识进行盲超分辨率(SR)。具体来说，通过使用我们的时间感知编码器，我们可以在不改变预训练的合成模型的情况下实现有希望的恢复结果，从而保留生成先验并最小化训练成本。为了解决扩散模型固有随机性造成的保真度损失，我们采用了一个可控的特征包装模块，该模块允许用户在推理过程中简单地调整标量值来平衡质量和保真度。此外，我们开发了一种渐进聚合采样策略来克服预训练扩散模型的固定大小约束，从而能够适应任何大小的分辨率。
【推荐系统】【论文阅读笔记】【survey】A Survey on Session-based Recommender Systems基于会话的推荐系统综述
yong_ss的博客
01-10 8197
论文链接：arXiv:1902.04864v1 一、为什么需要基于会话的推荐系统（SBRS） 基于内容的RS和协作过滤RS是两个具有代表性的RS。 然而，这些传统的RS仍然存在一些缺点。关键的一点是，它们只关注用户的长期静态偏好，而忽略了用户的短期事务模式，这会导致用户的偏好随时间的推移而丢失。在这种情况下，用户在某个时间点的意图可能很容易被其历史购物行为淹没，从而导致不可靠的推荐。这是因为...
MACR因果推荐Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in RS
u013385018的专栏
09-16 1467
因果关系的角度来探讨推荐系统中的流行度偏差问题。该文章指出，流行度偏差存在于因果图中物品节点对排名分数的直接影响之中，也就是说物品的内在属性是错误地赋予某些物品过高排名分数的原因。文章认为为了纠正这种偏差，有必要考虑一个反事实的问题，即如果推荐模型只输入物品相关信息，那么它的排名分数将是多少。为此，该论文用因果图来描述推荐过程中的重要因果关系，在模型训练过程中，论文采行多任务学习的方式，建模每一项因果关系对于推荐得分的贡献，并在模型测试过程中采用反事实推理的方法来消除流行度对于推荐的影响。
dlime_experiments：在这项工作中，我们提出了确定性版本的局部可解释模型不可知论解（LIME），并且在三个不同医学数据集上的实验结果表明，确定性局部可解释模型不可知论解（DLIME）具有优越性
02-04
DLIME：计算机辅助诊断系统的确定性本地可解释模型不可知的解释方法 实验 设定环境 以下python环境和软件包用于进行实验： python == 3.6 博鲁塔== 0.1.5 numpy == 1.16.1 熊猫== 0.24.2 scikit学习== 0.20.2 scipy == 1.2.1 可以通过执行以下命令来安装这些软件包： pip3.6 install -r requirements.txt 数据集 为了进行实验，我们使用了UCI存储库中的以下三个医疗保健数据集： 乳腺癌数据集随scikit-learn软件包一起提供，因此无需下载此数据集。 其余数据集已经下载，
推荐系统+因果推断（二）——kdd‘21用反事实推理缓解召回阶段的数据流行度偏差Model-Agnostic Counterfactual Reasoning for EliminatingPopu
夏未眠秋风起的博客
09-25 2402
Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System https://dl.acm.org/doi/pdf/10.1145/3447548.3467289 本文中将会用到因果推断中反事实部分的知识，具体内容可以查看之前的文章，这里就不对反事实相关内容重复叙述了。 背景 背景和上一篇的背景类似，都是为了解决流行数据偏差问题。想要详细了解例...
推荐系统（五）——SIGIR‘21用反事实推断缓解点击诱饵，还在为标题党烦躁吗？请看这篇文章
夏未眠秋风起的博客
10-04 1005
Clicks can be Cheating: Counterfactual Recommendation for Mitigating Clickbait Issue https://dl.acm.org/doi/pdf/10.1145/3404835.3462962 本文将用到以下相关知识： 反事实推断 TE、NDE、TIE 背景 在生活中，无论我们用什么软件（购物、资讯等），都会遇到这样的情况：看到的封面和标题跟点进去的内容不匹配，即标题党。而这些欺骗性的信息会使用户体检变差，而因为用户之前由..
CIKM'21「华为」推荐系统 | 因果推断+强化学习：反事实用户偏好模拟
abcdefg90876的博客
02-09 1514
点击蓝字关注，提升学习效率title：Top-N Recommendation with Counterfactual User Preference Simulationlink：htt...
让AI模型“说人话”的背后：AI可知论与不可知论的纠葛缠斗
weixin_34341117的博客
04-17 105
　　现如今人类对于AI的应用，就好像带妈妈去外面的餐厅吃饭，妈妈们不光要吃，还总想弄明白这些菜是怎样做成的。就如同神经网络越是高效，我们就越好奇黑箱里究竟发生了什么。　　一直以来我们对于AI可解释性的追求可以被分为两层，一是从技术角度探寻神经网络黑箱的运行机制;二是从社会角度将AI技术原理更多地解释给各个行业。　　虽然计算机科学家们一直没有停止对神经网络黑箱突破的探索，但也有...
论文浅尝 | KR-GCN: 知识感知推理的可解释推荐系统
开放知识图谱
06-29 1439
论文作者：马婷，中国科学院信息工程研究所直博生动机抽取并利用知识图谱(KG)中的多跳关系路径可以提高推荐系统的性能，并提供可解释性。然而，现有的工作仍面临着两个主要的挑战：用户偏好的错误传播和模型的弱解释性。提取并利用用户物品对之间的所有路径会引入不相关的路径，从而导致用户偏好的错误传播。尽管定义元路径在一定程度上可以缓解错误传播问题并提供一定的解释性，但模型的性能将严重...
【论文笔记】RippleNet : 知识图谱+用户偏好传播的推荐系统
HicSuntLeones
02-08 3879
RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems Hongwei Wang, Fuzheng Zhang, Jialin Wang, Miao Zhao, Wenjie Li, Xing Xie, Minyi Guo The 27th ACM International Conference on Information and Knowledge Management (CIKM .
# Python推荐系统学习笔记（3）------基于协同过滤的个性化推荐算法实战---隐语义模型
yi_xxxx的博客
05-17 2021
Python推荐系统学习笔记（3）------基于协同过滤的个性化推荐算法实战—隐语义模型 一、概念性理解 传统的推荐方法 UserCF，首先需要找到和他们看了同样书的其他用户，然后给他们推荐那些用户喜欢的其他书。 ItemCF，需要给他们推荐和他们已经看的书相似的书。 基于隐语义模型 通过矩阵分解建立用户和隐类之间的关系，物品和隐类之间的关系，最终得到用户对物品的偏好关系。 隐语义模型（LFM）：通过矩阵分解建立用户和隐类之间的关系，物品和隐类之间的关系，最终得到用户对物品的偏好关系。 隐含语义分析技术的
【人工智能系列经典图书翻译】可解释机器学习（第二版） 第6章 模型无关方法
欲穷千里目，更上一层楼
09-13 1135
模型不可知解释方法相对于模型特定解释方法的最大优势在于其灵活性。当解释方法可以应用于任何模型时，机器学习开发人员可以自由使用他们喜欢的任何机器学习模型。任何建立在机器学习模型解释之上的东西，例如图形或用户界面，也会独立于底层的机器学习模型。通常，不只是一个模型，而是对许多类型的机器学习模型进行评估以解决一个任务，并且在比较模型的可解释性时，更容易使用模型不可知论解释，因为相同的方法可用于任何类型的模型。
反事实推荐算法|利用个人受欢迎程度消除推荐偏差
最新发布
码农的科研笔记
05-24 951
该论文提出了一个考虑个性化流行度(Personal Popularity, PP)的因果推理框架PPAC，用于缓解推荐系统中的全局流行度偏差(Global Popularity Bias)问题。实验主要评估PPAC在不同数据集和基础模型上的性能表现，以及验证其去偏能力。本论文针对推荐系统中存在的全局流行度偏差(GP bias)问题,提出了一种新的衡量物品流行度的指标--个性化流行度(Personal Popularity,简称PP)。
2019中国大数据技术大会
12-30
中国大数据技术大会（BDTC）作为大数据领域极具影响力的行业盛会，已成功举办十二届，见证了大数据技术生态在中国的建立、发展和成熟。从2008年仅60余人参加的技术沙龙发展到当下数千人的技术盛宴，已经成为国内外大数据技术精英最期待的深度分享会，是极具行业实践的专业大数据交流平台。
元学习—模型不可知元学习(MAML）
hei653779919的博客
10-16 5535
元学习—模型不可知元学习(MAML) 在之前的文章中，我们介绍了神经图灵机和记忆增强网络(MANN)，主要介绍了其对于内存中信息的读取与写入。有兴趣的读者可以参考我之前的博客元学习—神经图灵机。在今天的文章中，我们来介绍一种更加常见的元学习的学习方法，即模型不可知元学习。 1. MAML原理 1.1 MAML引入 MAML是一种最近被提出的，最为主流的一种元学习的方法。其是元学习上的一个重大突破。在元学习中，众所周知，其目标是学会学习。在元学习中，我们从大量的相关学习任务中获取一小部分的样本点，然后通过元学
【华为推荐】基于反事实学习的推荐系统研究.pdf(附pdf下载链接)
m0_37586850的博客
12-07 1405
今天给大家分享的是华为诺亚方舟实验室董振华博士在2019中国大数据技术大会（BDTC）上做的分享《基于反事实学习的推荐系统研究.pdf》,之前公众号曾给大家推送过该分享对应的论文...
【华为推荐论文】如何学习未知样本？基于反事实学习的推荐系统技术研究（附论文下载链接）...
m0_37586850的博客
11-04 3772
华为诺亚方舟实验室发布了最新研究成果《Improving Ad Click Prediction by Considering Non-displayed Events》，提出了一种基于反事实学习的CTR预估方法（CLCTR），通过考虑未观察样本，解决传统CTR预估算法普遍存在的选择偏置和数据偏置问题，达到提升CTR预估准确性的目的，在公开数据集和真实数据集上实验均相比现有最好算法有较大幅度的提升...
文本分类对抗样本生成
北歌的博客
03-03 2185
本文复现一个基于文本的白盒算法，基于论文《TEXTBUGGER: Generating Adversarial Text AgainstReal-world Applications》 先上最终效果 No-3srcSentence:the protector you hear the name you think ah its a crappy hong kong movie guess w...
推荐系统-评分权重-设计
weixin_34293911的博客
06-29 1688
2019独角兽企业重金招聘Python工程师标准>>> ...
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

打赏作者

心心喵

喵喵(*^▽^*）

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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