标签：EliminatingPopu 偏差 21 Agnostic item 推断 TIE 推理 因果
Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System
本文中将会用到因果推断中反事实部分的知识，具体内容可以查看之前的文章，这里就不对反事实相关内容重复叙述了。
背景
背景和上一篇的背景类似，都是为了解决流行数据偏差问题。想要详细了解例子的小伙伴可以查看上一篇文章（推荐系统+因果推断（一））。这里进行简述，推荐系统中我们需要给用户提供个性化的推荐，而不是什么流行推荐什么。本篇文章作用于召回阶段而非排序阶段。
贡献：
-
-
从因果推断的角度分析流行数据偏差问题，构建了因果图
-
提出了MACR训练框架，在推理阶段缓解流行性带来的偏差
-
-
-
通过丰富的实验证明了方法的有效性
-
方法
分析流行性数据偏差对召回模型的影响
图（a）是传统的方式的因果图，只考虑user和item的交互，比如交互矩阵。而其中忽略了用户一致性和物品流行度对整体的影响，因此修改因果图，得到图（c）。在整个模型中，我们需要做的就是去除I->Y的影响，以此去除item流行性对最终结果的影响。
TE、NDE、TIE的概念
total effect(TE) 总效应：当 变成后，所获得的效应。
natual direct effect(NDE) 自然直接效应，如第三张图，中间（K）不通，也就是说I的变化只会影响到Y但是不会影响到K，当 变成后所获得的的效应。
total indirect effect(TIE)总间接效应：当 变成后
MACR框架
模型结构
MACR是一个多任务模型，中间橙色部分是传统的推荐模型，用户匹配user和item，即K->Y。绿色部分为U->Y，蓝色部分为I->Y。三个分支得到的最终预测分数为
总体损失函数为
Lo,Li,Lu为橙，蓝，绿三个分支的二分交叉熵损失函数，以Lu为例：
反事实推断
通过反事实推断，将real world的因果图转变为conterfactual world反事实世界的因果图。在推理阶段，通过下式去掉I->Y这条路径从而缓解item流行性偏差问题。
上式可由前述的TIE得到，c是超参数。
推导：
简单总结：
本文是首先训练了一个多任务模型，然后在推理也就是召回阶段，通常我们是得到分数，取前n个，但是此处作者考虑了数据流行性偏差问题，通过反事实推理，在推理阶段计算TIE来衡量哪个item更优，以此缓解上述问题。
标签：EliminatingPopu,偏差,21,Agnostic,item,推断,TIE,推理,因果 来源： https://www.cnblogs.com/xiaweimian/p/15334000.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。