論文の概要: Deep Causal Reasoning for Recommendations
- arxiv url: http://arxiv.org/abs/2201.02088v1
- Date: Thu, 6 Jan 2022 15:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-07 17:33:17.743591
- Title: Deep Causal Reasoning for Recommendations
- Title（参考訳）: 勧告に対する深い因果推論
- Authors: Yaochen Zhu, Jing Yi, Jiayi Xie and Zhenzhong Chen
- Abstract要約: 推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。
提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。
MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
- 参考スコア（独自算出の注目度）: 47.83224399498504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional recommender systems aim to estimate a user's rating to an item
based on observed ratings from the population. As with all observational
studies, hidden confounders, which are factors that affect both item exposures
and user ratings, lead to a systematic bias in the estimation. Consequently, a
new trend in recommender system research is to negate the influence of
confounders from a causal perspective. Observing that confounders in
recommendations are usually shared among items and are therefore multi-cause
confounders, we model the recommendation as a multi-cause multi-outcome (MCMO)
inference problem. Specifically, to remedy confounding bias, we estimate
user-specific latent variables that render the item exposures independent
Bernoulli trials. The generative distribution is parameterized by a DNN with
factorized logistic likelihood and the intractable posteriors are estimated by
variational inference. Controlling these factors as substitute confounders,
under mild assumptions, can eliminate the bias incurred by multi-cause
confounders. Furthermore, we show that MCMO modeling may lead to high variance
due to scarce observations associated with the high-dimensional causal space.
Fortunately, we theoretically demonstrate that introducing user features as
pre-treatment variables can substantially improve sample efficiency and
alleviate overfitting. Empirical studies on simulated and real-world datasets
show that the proposed deep causal recommender shows more robustness to
unobserved confounders than state-of-the-art causal recommenders. Codes and
datasets are released at https://github.com/yaochenzhu/deep-deconf.
- Abstract（参考訳）: 伝統的なレコメンデータシステムは、人口から観測された評価に基づいて、あるアイテムに対するユーザーの評価を見積もることを目的としている。
すべての観察研究と同様に、アイテムの露出とユーザ評価の両方に影響を与える要因である隠れた共同創設者は、見積に体系的なバイアスをもたらす。
したがって、レコメンダシステム研究の新たなトレンドは、共同設立者の影響を因果的視点から否定することである。
共同設立者が通常、項目間で共有されるため、共同設立者が多元的であり、多元的マルチアウトカム(MCMO)推論問題としてモデル化する。
具体的には、バイアスを補うために、アイテムの露出を独立にBernoulli試験に反映するユーザ固有の潜伏変数を推定する。
生成分布は分解ロジスティック確率のDNNによりパラメータ化され、抽出可能な後部は変分推論により推定される。
これらの要因を代わる共同創設者として、軽微な仮定の下でコントロールすることは、複数の原因による共同創設者によるバイアスを取り除くことができる。
さらに, MCMOモデリングは, 高次元因果空間に付随する観測値の不足により, 高いばらつきをもたらす可能性が示唆された。
幸いなことに、前処理変数としてユーザ機能を導入することで、サンプル効率を大幅に改善し、オーバーフィッティングを軽減することができる。
シミュレーションおよび実世界のデータセットに関する実証研究は、提案された深い因果推薦者は、最先端の因果推薦者よりも、観測されていない共同設立者により堅牢性を示すことを示している。
コードとデータセットはhttps://github.com/yaochenzhu/deep-deconfでリリースされる。
関連論文リスト
- Estimating Treatment Effects under Recommender Interference: A Structured Neural Networks Approach [13.208141830901845]
標準差分推定器は、推奨者干渉による偏差推定を導出できることを示す。
本稿では,処理項目と制御項目の両方を含むプールからどのアイテムが露出するかを記述した「レコメンダ選択モデル」を提案する。
提案した推定器はベンチマークに匹敵する結果が得られるのに対し,標準差分推定器は有意なバイアスを示し,また逆の兆候も生み出すことを示す。
論文 参考訳（メタデータ） (2024-06-20T14:53:26Z) - Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems [142.3424649008479]
歴史的相互作用の不均一な分布とレコメンダモデルのバイアス付きトレーニングを示す。
デバイアスドトレーニングの鍵は、ユーザの過去の行動と次の行動の両方に影響を与える共同創設者の影響を取り除くことである。
本稿では,非保守的共同設立者に対応するために,因果多教師蒸留フレームワーク(CausalD)を提案する。
論文 参考訳（メタデータ） (2024-05-31T05:31:00Z) - Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。
ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。
我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
論文 参考訳（メタデータ） (2024-05-28T09:34:50Z) - Exploring Popularity Bias in Session-based Recommendation [0.6798775532273751]
セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。
本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
論文 参考訳（メタデータ） (2023-12-13T02:48:35Z) - Causal Structure Representation Learning of Confounders in Latent Space
for Recommendation [6.839357057621987]
ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。
我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
論文 参考訳（メタデータ） (2023-11-02T08:46:07Z) - Causal Disentangled Variational Auto-Encoder for Preference
Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。
この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文 参考訳（メタデータ） (2023-04-17T00:10:56Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - Debiased Recommendation with Neural Stratification [19.841871819722016]
我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。
提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
論文 参考訳（メタデータ） (2022-08-15T15:45:35Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Be Causal: De-biasing Social Network Confounding in Recommendation [7.589060156056251]
レコメンデーションシステムでは、MNAR問題の存在が選択バイアス問題を引き起こす。
既存のアプローチのほとんどは、観察された評価のモデルまたは再重み付け戦略を使用して、ランダムな設定の欠如を模倣しています。
我々は、因果推論における共同設立者分析に触発されて、DENCと呼ばれる非バイアスで堅牢な手法を提案する。
論文 参考訳（メタデータ） (2021-05-17T12:38:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。