2021-WWW-Disentangling User Interest and Conformity for Recommendation with Causal Embedding

最新推荐文章于 2024-06-14 09:44:08 发布
最新推荐文章于 2024-06-14 09:44:08 发布
阅读量309 收藏
点赞数
分类专栏： 推荐系统 文章标签： 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/qq_38119106/article/details/123625534
版权
该博客探讨了2021年在WWW会议上的一项研究，旨在通过因果嵌入来区分用户兴趣与从众行为，以改进推荐系统的精准度。研究中，作者提出了一种新的方法，该方法能够更好地理解用户的真实需求，减少推荐的盲目性和从众效应，从而提供更个性化的推荐服务。
摘要由CSDN通过智能技术生成

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
在这里插入图片描述
在这里插入图片描述

Dive_
关注
专栏目录
【论文导读】（十一）—— Disentangling User Interest and Conformity for Recommendation with Causal Embedding
CSDN 精品推荐
01-05 506
根据提出的SCM，为了兴趣和一致性采用了单独的嵌入，作者从观察交互中提取原因特异性数据，并使用不同的原因特异性数据训练不同的嵌入来实现兴趣和一致性之间的解缠。这两个原因通过多任务课程学习得以聚合和平衡。比如一个物品的流行度很高，一个用户很有可能因为它的流行度高而点击购买，并非是源于真实的兴趣信息，这些交互主要是由于用户的从众心理所导致，而且不同的用户对不同的物品的从众程度也不同，为了解决该问题，就需要将从众（一致性）混淆信息与用户的兴趣信息分离，从而消除流行度偏差，帮助捕捉用户独立于从众性的纯兴趣。
推荐系统中的偏差
lily's world
05-16 1472
推荐系统消偏推荐系统中的偏差IPW ——逆概率加权DICE ——区分兴趣和偏差建模因果推断欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 推荐系统中的偏差 预估问题 我们一般会注重两种误差，偏
发掘深度：DICE——重力推荐领域的创新实践
最新发布
gitblog_00042的博客
06-14 256
发掘深度：DICE——重力推荐领域的创新实践 DICE项目地址:https://gitcode.com/gh_mirrors/dice2/DICE 在信息洪流的当下，如何精准理解用户的真正兴趣，并在海量数据中筛选出最合适的信息或产品，成为推荐系统的一大挑战。今天，我们要向您隆重推荐一个开源宝藏——DICE，这一项目源自WWW'21的顶尖研究，它的出现，旨在解决推荐系统中的两大痛点：用户个性化需求...
www21推荐系统之点击原因分解：用户兴趣和一致性（流行度）Disentangling User Interest and Conformity for Recommendation with Cau
夏未眠秋风起的博客
10-06 1476
Disentangling User Interest and Conformity for Recommendation with Causal Embedding http://staff.ustc.edu.cn/~hexn/papers/www21-dice.pdf 背景 本文依旧是利用因果推断相关理论进行推荐系统纠偏的一篇文章，相关详细例子可以前往deconfounded中的“举个栗子”进行查看。这里进行简述，作者分析在用户购物的过程中，用户点击某个商品，一方面可能是因为他对这个感兴趣，另一方..
WWW21:Disentangling User Interest and Conformity for Recommendation with Causal Embedding
weixin_44286846的博客
04-04 253
DICE 模型利用因果推断技术，将混杂了兴趣与从众性的传统 embedding 解耦。解耦后的 embedding 各自使用特定样本训练，实现了用户兴趣与从众性的巧妙剥离，达到同时利用流行度偏差与用户兴趣以提升推荐指标的目的。
复现推荐系统论文的代码结果（深度学习，Pytorch，Anaconda）
yang625624461的博客
04-13 1873
直接把报错提示粘贴到百度去搜，得到解决方案，把源码里的一个download函数注释掉，然后去下别人提供的static资源，替换掉原来自带的static文件夹。目前来看这是一个老版本没有，而新版本visdom才有的问题，应当是国内特有的网络环境导致的，未来是否会修复也不清楚。在Pycharm里找到标红的import代码，在anaconda里的开启终端，切换到我们预设的环境里。修改代码里的绝对路径，把DICE/src/config/const.py里的m110m和nf数据集路径都改成自己的。
Disentangled Causal Embedding With Contrastive Learning For Recommender System （WWW 2023）
weixin_44286846的博客
04-04 445
一些研究消除流行度偏差来得到纯正的兴趣，如IPS或者利用一小部分无偏数据。这虽然消除了从重效应但是流行度有正面影响应该被保留。流行度偏差过强，或导致推荐系统失去个性化；物料因内在质量而高热，过度打压流行度偏差又会破坏用户体验。有必要同时对用户兴趣与用户从众性建模。DICE 模型，利用因果推断技术，将混杂了兴趣与从众性的传统 embedding 解耦，达到了同时利用流行度偏差与用户兴趣，以提升推荐指标的目的。
山东大学-Daniel Cohen-Or-Face Disentangling
01-19
#极市直播第61期：山东大学“可视计算”学术专题报告#
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Rec.pptx
06-05
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition 分离与统一的图卷积用于基于骨架的动作识别 CVPR 2020
从200多篇顶会论文看推荐系统前沿方向与最新进展
abcdefg90876的博客
04-03 5820
推荐系统作为深度学习御三家（CV, NLP, RS）之一，一直都是学术界和工业界的热门研究topic。为了更加清楚的掌握推荐系统的前沿方向与最新进展，本文整理了最近一年顶会中推荐系统相关的...
推荐系统和知识图谱论文推荐
qq_35222729的博客
08-30 5639
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
12-07 916
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...
WWW2021推荐系统论文集锦（附下载）
张小磊的博客
03-15 2141
嘿，记得给“机器学习与推荐算法”添加星标国际顶级学术会议WWW2021定在2021年4月12-23日举行。受新冠肺炎疫情影响，大会将在线上举行。今天为大家收集了一些作者提前发布到Arxiv...
推荐生态中的bias和debias
abcdefg90876的博客
01-14 1933
作者介绍：王宏阳，硕士毕业于中科院计算所，现为腾讯高级算法研究员，先后在百度和腾讯从事广告和推荐算法的研发工作，个人知乎号 武侠超人。最近闲暇时间整理了一下推荐领域中的bias和debi...
GNN在轻应用内容推荐中的召回实践
淘系技术
03-10 830
本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第二篇。第一篇指路：冷启动系统优化与内容潜力预估实践前言每平每屋是阿里巴巴旗下家居家装平台，涵...
搜推广系统里的bias & debias
01-21 567
参考Paper《Bias and Debias in Recommender System: A Survey and Future Directions》 1、selection bias 选择性偏差指的是在研究过程中因样本选择的非随机性而导致得到的结论存在偏差。用户倾向于给自己喜欢或者不喜欢的物品进行打分。通常的解决办法有propensity score，同时学习打分预测任务和缺失数据预测任务。例如Improving Ad Click Prediction by Considering Non-
Disentangling Long and Short-Term Interests for Recommendation阅读笔记
pocket_eight的博客
07-01 904
WWW’ 22的文章对用户的长期兴趣和短期兴趣进行建模是准确推荐的关键。然而，由于没有用户兴趣的人工标注，现有的方法总是遵循这两个方面纠缠在一起的范式，这可能会导致推荐准确率和可解释性较差。为了解决这一问题，我们提出了一个对比学习框架，以区分长期和短期利益的推荐(CLSR)和自我监督。具体地说，我们首先提出了两个独立的编码器来独立地捕获不同时间尺度的用户兴趣。然后，我们从交互序列中提取长期和短期兴趣代理，作为用户兴趣的伪标签。然后设计成对对比任务来监督兴趣表示与其对应的兴趣代理之间的相似性。最后，由于长期兴
具体解释Semantic Object Accuracy (SOA)、SOA-C、SOA-I
10-25
Semantic Object Accuracy (SOA)是一种评估标准，用于评估文本和图片之间的语义一致性。...在代码Semantics Disentangling for Text-to-Image Generation中，使用了t∗x、t∗y、t∗w和t∗h来计算物体的位置和大小。
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