CIKM22:Causal Intervention for Sentiment De-biasing in Recommendation

Causal Intervention for Sentiment De-biasing in Recommendation

解决问题

在现实世界的推荐场景中，用户通过评论、评分和其他格式与 RS 交互，以表达他们对项目的情绪和意见。

提出用因果推断进行情感除偏CISD模型

1）在训练阶段消除了情感偏差的影响

2）在推理阶段引入用户情绪

因果图

(a)传统的 RS 通过执行用户-项目匹配来预测评级分数Y。节点 U 和 I 是用户和项目表示。

(b) 情感节点 S 和未观察到的混杂因素 C 是混淆偏差的原因。

© 使用因果干预切断虚假相关边缘。

Deconfounded training

利用后门调整的思想，对U和I进行do操作，切断从节点S所有边，以消除混淆效应。

为了做评分预测，将用户评论特征和id 的embedding 输入到hidden layer

X_u 和 Y_i 是用户和物品的表示向量，q_u和p_i分别是用户和物品的id embedding

预测的评分由一个MLP和用户偏差（user bias）、物品偏差（item bias）、全局偏差（global bias）构成。

由于预测评分是一个回归问题，所以Loss函数用的是MSE。

Inference strategy

在推理阶段适量使用情感信息，促进个性化推荐。

使用从物品评论列表中提取的情感倾向来评估物品，从用户评论列表估计用户对某一物品的喜好。

融合策略将情感信息添加到预测评分中，𝛿 是tanh激活函数

最终预测得分Y表示为上式。

‍