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

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，而因为用户之前由于标题点击了item，会使得模型在学习，推荐的时候也会推荐这类item，这就造成了恶心循环。
本文主要通过构建因果图来缓解标题党这类不良item对用户体验造成的损害，主要贡献如下：

• 强调通过仅使用点击数据来缓解**点击诱饵（标题党）**问题的重要性，并利用新的因果图来制定推荐流程
• 在推荐中引入反事实推理来缓解点击诱饵问题，并提出了一个反事实推荐框架，该框架可应用于任何以项目特征为输入的推荐模型（易集成）
  

方法

本文所用理论与MACR框架中所用理论一样，都是采用反事实推断，并且涉及TE，NDE，TIE等相关知识，这里不再赘述，不熟悉的小伙伴可到MACR中阅读。不过MACR是用于纠正流行性偏差的，本文方法是针对“标题党”的，并且构建过程也存在一些区别，下面我们详细展开。

因果图

原始的因果图如图a所示，我们在做推荐的时候，仅考虑单纯融合曝光特征（exposure feature）和内容特征（content feature），将融合后的特征和用户特征结合用于预测推荐分数。而上述过程忽略了用户看到标题、封面等信息时对点击的直接影响，因此作者构建了新的因果图（图b）。


通过反事实推断，我们可以得到图c，d
$$TE=Y_{u,i,e}-Y_{u,i^{\ast },e^{\ast }}$$
$$NDE=Y_{u,i^{\ast },e}-Y_{u,i^{\ast },e^{\ast }}$$
$$TIE=TE-NDE=Y_{u,i,e}-Y_{u,i^{\ast },e}$$
$$i^{\ast }=f_I(e\ast ,t\ast )$$,fi为特征融合函数

框架设计

评分函数$Y=f_Y(\cdot )$的设计
为了方便使用，以及减少对现有模型的修改，做到易集成性，作者并没有直接将u，i，e作为输入，而是late-fusion的方式：
$$f_Y(u,i,e)=f(Y_{u,i},Y_{u,e})$$，而其中的$Y_{u,i},Y_{u,e}$可以由现有的模型得到，$f()$是一种融合策略，采用MUL的方式：
$$f(Y_{u,i},Y_{u,e})=Y_{u,i}\ast \sigma (Y_{u,e})$$
训练过程
训练采用多任务的方式训练，损失函数如下：
$$\sum _{(u,i,\overline{Y_{u,i}})\in \tilde{D}}l(Y_{u,i,e},\overline{Y_{u,i}})+\alpha l(Y_{u,e},\overline{Y_{u,i}})$$
$\overline{Y_{u,i}}$为标签，u，i为特征，a为超参数。由TIE可知，我们需要得到$Y_{u,i,e}，Y_{u,i^{\ast },e}$，而在实际训练过程总参考值$i^{\ast }$表示不将i作为特征输入，因此可以用$Y_{u,e}$来表示$Y_{u,i^{\ast },e}$
推理阶段
推理阶段分别得到$Y_{u,i,e}，Y_{u,i^{\ast },e}$然后计算TIE。
$$\begin{gathered} Y_{CR}=TIE=Y_{u,i,e}-Y_{u,i^{\ast },e}= \\ f(Y_{u,i},Y_{u,e})-f(c_u,Y_{u,e})=Y_{u,i,e}-c_u\ast \sigma (Y_{u,e}) \end{gathered}$$
$$c_u=E(Y_{u,I})=\frac{1}{|I|}\sum _{i\in I}{Y}_{u,i}$$
因为在训练的时候没有将$i^{\ast }$作为输入来训练得到$Y_{u,i^{\ast },e}$，而是直接用了$Y_{u,e}$。在预测推理过程中，用均值来替代当前（u，i）对应的预测值。
​

更多内容可以关注“秋枫学习笔记”，感谢大家的支持