.png){kind=icon}
返回
A Multi-level Debiasing Recommendation Framework Based on Causal Disentanglement
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5640-3_3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
推荐系统通常表现出显著的热门偏差，例如收集的交互数据通常显示出项目上相当不平衡甚至长尾分布。这种分布可能是由于用户对群体的从众行为，未能反映其真实偏好。现有缓解热门偏差的方法通常调整损失函数中的正则化或通过因果图间接修改损失函数。然而，这些方法在图神经网络（GNN）的聚合过程中会遭受级联效应，难以同时缓解数据和模型偏差。为此，我们提出MLDRF，一个多级去偏推荐框架。首先，我们引入邻居重加权机制以缓解GNN聚合中的热门偏差，从而有效减少数据偏差。然后，我们使用因果图解耦热门偏差，增强GNN处理复杂偏差的能力。最后，应用零和正则化优化损失函数，从而减少模型偏差。在四个公开数据集上的综合实验表明，推荐准确率提高了3%至5%，整体性能优于当前最优方法。
Keyword:
Recommender system
Collaborative filtering
Graph neural networks
Popularity bias
期刊
W
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容