Bilateral Self-unbiased Learning from Biased Implicit Feedback-2022年9月之前最新的推荐系统方向论文
基于有偏内隐反馈的双边自无偏学习
Bilateral Self-unbiased Learning from Biased Implicit Feedback
论文地址+代码地址:
Search for Bilateral Self-unbiased Learning from Biased Implicit Feedback | Papers With Code
目录
问题定义 :
创新点:
背景:
研究内容:
实验:
总结:
问题定义 :
因为观察到的反馈表示用户的点击日志,所以真实相关性和观察到的信息之间存在语义差距。更重要的是,观察到的反馈通常偏向流行项目,从而高估了流行项目的实际相关性。
现有的研究已经开发了使用反向倾向加权(IPW)或因果推理的无偏学习方法,但它们仅关注消除项目的流行度偏差。
创新点:
在本文中,我们提出了一种新的无偏推荐学习模型,即双边自无偏推荐(BISER),以消除由推荐模型引起的项目暴露偏差
这是第一篇引入自逆倾向加权来消除模型训练期间项目暴露偏差的论文。然后,我们采用双边学习,利用具有异构信息的基于用户和项目的自动编码器,捕获用户/项目之间的不同隐藏相关性。这一过程有助于缓解估计反向倾向得分的高方差。
BISER由两个关键组成部分组成:
i)自逆倾向加权(SIPW),以在不产生高计算成本的情况下逐渐缓解项目偏差
ii)双边无偏学习(BU),以弥补两个互补mod之间的差距
背景:
CF通常使用两种类型的用户反馈:显式反馈和隐式反馈。
显式反馈提供了比隐式反馈更丰富的关于用户偏好的信息,因为用户显式地对他们喜欢或不喜欢的项目进行评分。然而,很难从各种现实应用程序中收集明确的反馈(隐式反馈)
隐式反馈估计真实用户偏好。他们制定了一个新的损失函数,通过使用反向倾向加权(IPW)来消除项目的偏差,这在因果推理中已广泛确立此外
(IPM:采用了两个具有其他参数初始化的预训练模型,并生成了一个伪标签作为两个模型预测之间的差异。然后,他们通过训练多个模型来使用一致的预测。然而,当多个模型收敛到相似的输出时,会导致估计重叠问题。)
最近的研究引入了一个因果图,表示推荐的因果关系(以克服IPW策略的敏感性),并消除了项目受欢迎程度的影响。 然而,没有解决推荐模型引起的暴露偏差。
为了消除暴露偏差,我们提出了一种新的无偏推荐学习模型,即双边自无偏推荐器(BISER)。
研究内容:
消除推荐模型引起的曝光偏差至关重要。现有的研究主要集中在建模项目的流行度偏差。由于用户体验大多偏向于推荐的项目,我们的目标是消除推荐者模型造成的暴露偏差。
(BISER)具有两个关键组件:
自逆倾向加权(SIPW)
双边无偏学习(BU)
整体架构图:
训练流程:
具有基于用户和项目的AE的BISER伪码。在学习过程中,它首先初始化参数 两个AE(第1行)。随后使用等式更新。
(14) 和(15)分别与来自先前迭代的模型预测(第2-5行)进行比较。在每次迭代中,它计算所有单击的用户项对的两个模型的预测。
在两个模型训练结束后,我们使用两个模型预测(第6行和第7行)获得预测矩阵^R。
实验:
总结:
双边自无偏推荐学习(BISER)有助于缓解估计反向倾向得分的高方差,解决之前的暴露偏差问题。大量实验表明,BISER在两种评估协议(MNAR-MAR和MNAR-MNAR设置)中始终优于现有的无偏推荐模型。
Bilateral Self-unbiased Learning from Biased Implicit Feedback-2022年9月之前最新的推荐系统方向论文相关推荐
- 【论文阅读 NeurIPS 2022】A Large Scale Search Dataset for Unbiased Learning to Rank
文章目录 前言 Abs Intro 2.Preliminary 2.1.Ubiased Learning to Rank 2.2.Existion ULTR Datasets 3.Dataset De ...
- 【论文阅读】 BPR: Bayesian Personalized Ranking from Implicit Feedback
BPR: Bayesian Personalized Ranking from Implicit Feedback 论文链接:https://arxiv.org/abs/1205.2618 Abstr ...
- BPR: Bayesian Personalized Ranking from Implicit Feedback 论文笔记
有什么问题欢迎讨论呀! 论文标题:BPR: Bayesian Personalized Ranking from Implicit Feedback BPR 主要采用用户的隐式反馈(如点击.收藏等), ...
- Alternating Least Squares(ASL) for Implicit Feedback Datasets的数学推导以及用Python实现
近期在看CF的相关论文,<Collaborative Filtering for Implicit Feedback Datasets>思想非常好,非常easy理解.可是从目标函数 是怎样 ...
- 论文笔记二 Positive, Negative and Neutral: Modeling Implicit Feedback inSession-based News Recommendatio。
目录 一 论文简介 论文名称 :Positive, Negative and Neutral: Modeling Implicit Feedback in 中文名称:积极.消极和中立:在基于会话的新 ...
- 论文笔记:BPR-Bayesian Personalized Ranking from Implicit Feedback | 推荐系统BPR算法分析
BPR:Bayesian Personalized Ranking from Implicit Feedback 论文链接:BPR:Bayesian Personalized Ranking from ...
- Collaborative Filtering for Implicit Feedback Datasets结论公式推导
Collaborative Filtering for Implicit Feedback Datasets[1]公式推导 精确反馈的模型 minx∗,y∗∑ru,iis known(ru,i−xu ...
- implicit feedback
在推荐系统的paper中经常出现的一个词是implicit feedback,中文是隐式反馈. 对于推荐系统的数据来说,一般分为显式反馈和隐式反馈. 显式反馈就是用户对item的打分.例如按照评分1- ...
- 【论文阅读+实现】BPR: Bayesian Personalized Ranking from Implicit Feedback
1.BPR是什么? BPR 的全称是贝叶斯个性化排序(Bayesian Personalized Ranking),它是一种排序算法,做的是TopN任务. 适用于隐性反馈数据,当然显性反馈数据把评分变 ...
最新文章
- Appium ——Android KEYCODE键值:
- nginx的hash表结构
- 16进制 hbase phoenix_【建议收藏】HBase表的RowKey设计
- 【Matlab】定义顺序增加的字符串数组(A1,A2 ... An)并写到Excel的第一行
- week04_python函数返回值、作用域
- 如何搭建一个数据库服务器平台 .
- ubuntu中clion更换cmake版本以及文本背景颜色
- 河源电大有考计算机等级的吗,河源电大有什么专业自考也有?
- jquery学习之-查找父元素方法parent() parents() closest()的区别
- Your password has expired. To log in you must change it using a client that supports expired pass...
- Windows中MySQL主从数据库搭建(一)
- Android Studio配置文件修改
- 热烈庆祝排名进入5000
- ubuntu挂载windows分区
- Error: tunneling socket could not be established, cause=getaddrinfo ENOTFOUND 11000
- 淘宝越来越重视的内容营销要怎么去做?
- 数组——洛谷#P1567 统计天数(Python实现)
- 【ES6】阮一峰ES6学习(四) 对象的扩展
- kafka同步mysql数据报Possibly consider using a shorter maxLifetime value.
- To change the IDENTITY property of a column, the column needs to be dropped and recreated