qq_43238825的博客

香港大学和百度合作发表在WSDM 2024的一篇文章。目光聚焦在解决侧信息用来辅助推荐时出现的数据噪声、数据异构型以及数据不完整性问题，提出了采用三种图增强策略的LLMRec框架。

公式繁多，本人理解不够透彻，大致只能够明白思路，从文章中可以看出作者做了许多的工作，无论是在理论上还是实验内容上的内容量都是十分丰富的。总体来说这篇文章难度十分的高（可能内容难度不大，但是需要理解原理）。

U\mathcal UU：用户集合，I\mathcal II：物品集合，uiu,iui：具体用户和物品序列推荐: 每个用户有自己的历史交互序列，根据给定的用户和物品交互序列，预测该用户下一项的点击物品。TopN推荐：给定用户以及一个候选物品列表，向给定的用户推荐一个项目列表，该列表内包含的是候选列表中N个最有可能交互的且用户未曾交互的物品。解释性推荐：给定一个用户-物品对(u,i)，生成一个解释来证明为什么要向该用户推荐该物品（比如：价格合理）。

视频推荐去除视频长度混淆因素的方法，可进行推广

针对推荐系统受到敏感属性的影响造成不公平的推荐的问题，作者提出的方法是用一个新的双重互信息目标重新定义了公平性，以此来提供推荐地公平性，同时避免准确性下降。之后设计了一个基于协同过滤的Fair Mutual Information(FairMI)框架，使用该框架可以生成嵌入可以在删除敏感的信息的同时保留尽可能多的非敏感信息。IX;YHX−HX∣Y1协同过滤基本概念：U∣U∣MU(|U| = M)U∣U∣MV。

作者根据因果推断中的混淆分析，提出了一种名为DENC（De-bias Network Confounding in Recommendation）的无偏且健壮的方法。总体上，DENC从内在因素（例如，潜在用户或物品因素）和辅助网络的角度提供了关于MNAR的因果分析。DENC中提出的曝光模型可以同时控制社交网络混淆并保留观察到的曝光信息。作者还通过平衡表示学习开发了一个去混淆模型，以保留主要的用户和物品特征，从而使DENC在评分预测上具有很好的泛化性能。

在最近的大语言模型推荐系统当中，通常采用的是利用预训练语言模型(PLM)将项目文本描述信息(item text)编码为项目表示(item representation)。这种情况下，项目文本描述信息和项目表示之间的绑定可能过于紧密，会导致过度强调文本描述信息的特征的作用、夸大领域间的gap的负面影响等潜在问题。

论文阅读《Towards Universal Sequence Representation Learning for Recommender Systems》这是一篇由中国人民大学和阿里合作，发表在KDD 2022的文章。作者侯宇蓬是加州福利亚大学·圣迭戈的博士，本科和研究生就读于中国人民大学。他的主要研究方向主要是围绕着大语言模型和推荐系统展开。他的导师Wayne Xin Zhao，赵鑫是中国人大 AI box实验室的负责人。

基于历史行为学习用户表示是现代推荐系统的核心。序列推荐的最新进展证明了从给定行为序列中提取有效用户表示的有效性。尽管在此已经取得了重大进展，但作者认为，由于用户交互记录的噪声和稀疏性质，单独对观察行为序列进行建模可能最终导致系统脆弱和不稳定。在本文中，作者提出通过对反事实数据分布建模来学习准确和鲁棒的用户表示，这需要对噪声行为(攻击)不太敏感，并且更多地信任不可或缺的行为。具体地说，给定观察到的行为序列，作者设计的CauseRec框架在细粒度项目级别和抽象兴趣级别识别可有可无和不可或缺的概念。

序列事件预测的目标是根据历史事件序列估计下一个事件，应用于序列推荐、用户行为分析和临床治疗。在实际应用中，下一事件预测模型是用一次采集到的序列数据进行训练的，需要推广到遥远未来的新到达的序列，这就要求模型处理从训练到测试的时间分布转移。在本文中，我们首先从数据生成的角度揭示了一个负面的结果，即由于潜在的上下文混杂因素，即历史事件和下一个事件的共同原因，现有的最大似然估计方法将无法应对分布转移。然后设计了一种新的基于后门调整的学习目标，并进一步利用变分推理使其易于处理序列学习问题。

因果推断在知识图谱推荐论文的阅读笔记

《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》阅读笔记

《Dual Sparse Attention Network For Session-based Recommendation 》阅读

Self-Supervised Hypergraph Convolutional Networks forSession-based Recommendation论文阅读