.png){kind=icon}
返回
Causality-Inspired Fair Representation Learning for Multimodal Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1145/3744240.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，多模态推荐（MMRs）通过融合模态基表示，已获得广泛关注，用于缓解传统推荐系统的数据稀疏性问题。尽管MMR在推荐准确性方面展现出显著提升，但我们通过实证验证发现，模态数量或多样性的增加会导致用户敏感信息泄露程度加剧，这是由于纠缠的因果关系所致，从而危及公平的表示学习。另一方面，现有的公平表示学习方法大多基于敏感信息仅从用户交互数据中泄露的假设，并未显式建模多模态数据引入的因果关系，这限制了它们在多模态场景中的应用。为解决此局限性，我们提出了一种新颖的公平多模态推荐方法（命名为FMMRec），通过因果启发的公平导向模态解耦和关系感知公平学习实现。具体而言，我们借鉴因果推断技术对有偏和过滤的模态嵌入进行解耦，从而能够挖掘基于模态的不公平与公平用户-用户关系，进而增强用户表示的公平性和信息量。通过处理敏感属性对用户偏好的因果效应，我们的方法旨在实现MMRs的反事实公平。在两个公开数据集上的实验结果表明，我们的FMMRec相较于当前最优基线方法具有显著优势。我们的源代码可通过 https://github.com/WeixinChen98/FMMRec 获取。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
9.1
论文数:
1.2K
被引数:
4.7K
机构
暂无机构信息
.png){kind=icon}
