推荐系统遇到曝光偏差怎么办？用对比学习！

推荐系统中常常需要在亿级别的候选集中找到上百个相关的item，俗称DCG问题(Deep candidate generation)。通常处理这类问题采用的类似语言建模的方法。然而显存的推荐系统都存在着曝光偏差，在候选集多的时候这个偏差更加的严重，导致模型只学习了曝光多的样本，因此这篇论文《Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems》使用了对比学习去解决曝光偏差问题,该方法已经成功部署在淘宝，并且效果有显著提升。

DCG问题中的对比学习

首先我们可以拿到这样的数据集和，D={(xu,t,yu,t): u=1,2,...,N, t=1,2,...Tu},xu,t= {yu,1:(t-1)}，即我们在预估t时刻用户要点啥时，用到的是该用户t时刻前点击的所有items。在DCG问题中，我们需要学习用户的encoder和item的encoder把用户和item映射到一个空间中，并通过cos相似度找到top k的item，典型的学习方式如下，使用最大似然估计(MLE)去拟合上述数据集合:

然而使用观测到的点击数据训练模型会有严重的曝光偏差问题，对有潜力但没机会曝光的item是毁灭性打击。很多高质量的item但是在训练数据集中点击较少，在MLE这种学习方式就很难再曝光。

<