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

最新推荐文章于 2024-09-19 00:33:41 发布
最新推荐文章于 2024-09-19 00:33:41 发布
阅读量2.8k 收藏 14
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 因果推断 推荐系统 文章标签： 推荐系统 因果推断 召回 机器学习
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/naocanmani/article/details/120470039
本文探讨了如何使用模型泛化因果推理（MACR）来解决推荐系统中的流行数据偏差问题。作者分析了流行偏见的因果影响，并构建了相应的因果图。MACR框架是一个多任务模型，包括用户、物品和流行度的影响。通过反事实推理，文章提出在推理阶段计算总间接效应（TIE），以减轻流行度对推荐结果的影响。实验表明该方法有效，有助于提供更个性化的推荐，而非单纯依赖流行度。

 

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。想要详细了解例子的小伙伴可以查看上一篇文章（

最低0.47元/天 解锁文章

200万优质内容无限畅学
[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
心宝的博客
12-07 511
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） 一、摘要 推荐系统的总体目标是为用户提供个性化建议，这与推荐热门项目相反。 然而，正常的训练范式，即拟合一个推荐模型以点或两两损失恢复用户行为数据，使模型偏向于流行物品。 这就产生了可怕的马太效应，使得热门商品更频繁地被推荐，甚至变得更受欢迎。目前的工作通过逆倾向加权(IPW)解决了这个问题，它减少了流行物品对训练
MACR因果推荐Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in RS
u013385018的专栏
09-16 2011
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。
【2021/反事实/流行度偏差】Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommend
码农的科研笔记
02-12 418
聚焦推荐系统中的流行度偏差Popularity Bias问题，并且从因果关系的角度来探讨推荐系统中的流行度偏差问题
【Debias】Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in RS（KDD‘21）
chadlee
07-20 536
图a是我们一般推荐模型的假设，即用户和物品的匹配程度可以反映是否会产生交互。但是事实上应该如图c所示，产生交互不仅仅和匹配程度有关，还和用户和物品本身的偏差有关物品的流行度、用户是否喜欢流行物品。...
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 1210
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..
因果推断学习笔记（一）——反事实推理中的归因问题
weixin_44171701的博客
12-07 2924
反事实推理中的归因问题介绍。
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 4875
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，...
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 2313
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..
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 1765
点击蓝字关注，提升学习效率title：Top-N Recommendation with Counterfactual User Preference Simulationlink：htt...
【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 1487
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...
Python基于因果推断方法的推荐系统反事实公平性研究.zip
05-18
Python基于因果推断方法的推荐系统反事实公平性研究.zip
因果推断与反事实预测——盒马KDD2021的一篇论文（二十三）
素质云笔记
01-02 9906
参考： KDD2021论文推荐：盒马-融合反事实预测与MDP模型的清滞销定价算法 Markdowns-in-E-Commerce-Fresh-Retail-A-Counterfactual-Prediction-and-Multi-Period-Optimization-Approach 利用机器学习因果推理进行弹性定价 数据分析36计(29)：价格需求弹性和因果推断 简单版：DML.ipynb 数据集：Association Rules and Market Basket Analysis 论文地址： h
反事实推荐算法|利用个人受欢迎程度消除推荐偏差
码农的科研笔记
05-24 1577
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)。
【SIGIR22】使用反事实生成器来消除知识感知推荐中的虚假联系
qq_42898299的博客
01-28 1686
知识图谱将实体信息组织成元组的集合，为推荐系统提供了辅助信息，来丰富项目的表示以及捕获在项目属性上的结构化偏好。因此，知识感知的推荐器更加能够提供准确以及可解释的推荐。为了利用知识图谱的信息，现有的知识感知推荐方法主要集中于如何设计有效的推荐系统神经结构。虽然在一定程度上这种做法很有效，但是这些方法只学习了项目知识以及用户行为之间的表层联系。因此，由于虚假联系导致的潜在效应，模型的合理性以及可靠性在一个更加泛化的设定下可能无法得到保证。
新加坡国立大学冯福利：因果推理赋能推荐系统初探
AITIME_HY的博客
10-29 3325
⬆⬆⬆ 点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！2020 年 9 月 25 日，在由中国科协主办，清华大学计算机科学与技术系、AI TIME 论道承办的《2020 中国...
SIGIR2022 | 流行度偏差如何利用？探索解耦域适应无偏召回模型
淘系技术
05-31 1621
召回模型中流行度偏差的现象主要有两种：流行度分部差异、长尾分布差异。本工作主要探索如何改善召回阶段中的双塔模型来缓解流行度偏差。目前已有缓解流行度偏差的方法主要有两大类：逆倾向评分（IPS）和因果图推断。但是，我们认为不能盲目抑制流行度偏差，而应探索如何更好将其利用。所以，本次工作从缓解流行度偏差的角度调整为合理利用流行度偏差的角度。此工作已被SIGIR-2022接收。背...
因果推断在转转推荐场景下的实践
最新发布
AlbenXie的博客
09-19 481
因果关系是一种普遍的关系，描述的是结果和产生这个结果的原因之间的关联。在因果关系中，因是导致事件发生的条件或行为，果则是这个原因导致的结果或变化。我们平时生活中到处都存在着因果问题，上大学是否会带来更多收入？直觉上我们认为高等教育会增加个人收入，但我们却很难说清楚没有上过大学的人如果上了大学会增加多少收入，同时我们也有看到没上过大学也能赚大钱的人。我们常常会想，如果某一时刻做了另外的选择，是否生活会变得完全不一样呢。
AI解码癌症：如何用多模态数据重塑患者未来
罗小罗同学的博客
05-11 2049
本次推文分享的文献是发表在上的《该文献讨论了在癌症研究中的重要性，以推动基因组学和标准分子技术之外的精准肿瘤学。它强调了聚合和分析来自各种诊断模式的互补数字资产以发现多模式预后特征的潜力。文献要点归纳如下。
【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 2227
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。
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