User-controllable Recommendation Against Filter Bubbles 阅读笔记

摘要

推荐系统通常面临filter bubbles的问题：基于用户特征和历史交互过度推荐同类项目。过滤气泡会沿着反馈循环增长，并在不经意间缩小用户兴趣。现有的工作通常通过结合除准确性之外的目标（例如多样性和公平性）来减轻过滤器泡沫。但是，它们通常会牺牲准确性，损害模型保真度和用户体验。

更糟糕的是，用户不得不被动地接受推荐策略，并以低效且高延迟的方式影响系统，例如，不断提供反馈（例如，喜欢和不喜欢），直到系统识别出用户意图。

【补充】关于Filter bubbles：就是说，由于模型的推荐是基于过往的交互历史，所以生成的推荐被局限于某几种类别，也叫信息茧房。

这项工作提出了一种新的推荐器原型，称为 User Controllable Recommender System (UCRS)，它使用户能够主动控制过滤器气泡的缓解。从功能上讲，

1. UCRS 可以在用户深陷过滤气泡时发出警报。

2. UCRS 支持四种用户控制命令，以缓解不同粒度的气泡。

3. UCRS 可以响应控制并即时调整建议。调整的关键在于阻止过时的用户表示对推荐的影响，其中包含与控制命令不一致的历史信息。因此，我们开发了一个因果增强的用户可控推理（UCI）框架，该框架可以在推理阶段根据用户控制快速修改推荐，并利用反事实推理来减轻过时用户表示的影响。

在三个数据集上的实验验证了 UCI 框架可以有效地根据用户控制推荐更多想要的项目，显示出有希望的性能：准确性和多样性

方法

1. Formulation of UCRS

模型由2个控制器，分别控制项目特征（比如电影类型）和用户特征（性别、年龄组），其中每个控制器分为粗细两个粒度。
首先，文章的符号系统：
D,R: 历史交互记录, 做出的推荐;
传统推荐系统做的事：计算 $P(R|D)$; 这篇文章加上了一些干预$do(C)$,也就变成了 $P(R|D,do(C)$
接下来以用户特征的控制器为例：
如何表示用户：$x_u=[x_u^1,x_u^2,\dots ,x_u^N],x_u^i\in (0,1)$
列出所有特征，比如只有性别这一特征，那么$x_u^1$表示male, $x_u^2$表示female, 那么$x_u=[0,1]$表示一个female user.

细粒度：

$P(R|D,do(C),C=c_u(+\hat{x},\alpha )$
C是一个控制指令，去显示更多“其他组别”喜欢的项目，可以把c_u当作补集，$\hat{x}$是当前用户$u$没有的特征（$x_u^i=0$），比如上述例子的male属性；$\alpha$是调节强度的系数。

粗粒度：

然而，用户可能只是想减轻过滤气泡而不是喜欢其他组别的项目，一些用户可能也不知道哪个用户群有吸引力，所以加入粗粒度的控制器。比如30岁的用户可能不喜欢受到Age=30这个限制条件的推荐，所以这里$C=c_u(-\overline{x},\alpha )$，${\overline{x}}_u=1$，即减少用户自己特征的强度。

项目方面同上

2. Instantiation of UCRS

过滤气泡检测

刚刚提到了过滤气泡，那么自然需要一个机制来检测过滤气泡。文章用了几个指标来判别：
1）：覆盖范围。过滤气泡通常会降低推荐项目的多样性，因此我们采用了一个广泛采用的多样性指标：覆盖率，它计算推荐列表中项目类别的数量 。
2）：隔离指数。除了基于多样性的指标外，我们还提出了隔离指数来衡量不同用户群体之间的隔离。在这里，我们针对推荐任务对其进行了修改。

$I$: item set;
$a_i,b_i$: group $a,b$中受到了item $i$推荐的人数;
$a_n$: ${\sum }_{i\in I}{a}_i$

3）：多数类别支配。隔离指数更适合衡量群体隔离，即用户特征（例如，年龄和性别）。至于过滤气泡，即项目特征，我们可以利用 MCD 获得历史最大项目类别在推荐列表中的比例

生成推荐的因果观点

如图所示，我们通过因果图分析推荐的生成过程。具体来说，对于大多数模型（例如 FM ），推荐训练从交互中学习用户表示，包括 ID、年龄和性别的表示。此后，用户和项目 的表示用于预测用户偏好项目的概率。
具体来说，$Y_{u,i}$是由个体ID和多个群组特征的偏好得分融合而成，其中群组偏好由对应用户群组中的用户共享。

这里的过程比较复杂，就是说用户的ID表示和组特征的表示存在相关性，因为都是由交互信息而来，那么在进行粗粒度控制时，尽管改变/丢弃了组特征（年龄性别这种），但用户的ID编码里还混杂了有原来的特征兴趣，所以为了消除这个混杂效应（涉及因果的知识吧？），流行的方法是混杂平衡、后门/前门调整。但是由于balabala这三种方法都不可行，所以作者考虑直接减少用户id表示在预测中的影响。

那么该如何减少？假设$\hat{u}$是没有用户id的表示，这样的预测分为$Y_{\hat{u},i}$，正常含有用户id的表示（Embeddng）得到的预测分是$Y_{u,i}$. 可以把id的影响表示为：$Y_{u,i}-Y_{\hat{u},i}$，因此：

用一个系数$\alpha$控制，减去这个影响。

然后还有关于项目粒度的控制，如何反馈？
$Y_{u,i}^{\prime }=Y_{u,i}+\beta \cdot r(i)$
$\beta$是控制强度的系数，r(i)是：

可以看到r是个常数，相当于扩大\归零beta的大小，取决于用户是否想要更多的推荐种类。

预测

先按用户交互时间排序，然后分为两部分，这两部分分别有各自的属性分布，可以理解为前半部分和后半部分，分别是近期/以前的偏好，然后在这两个分布直接加一层MLP，目的有2个：第一，捕获临时兴趣；第二，捕获特征间的关系。