基于反事实推理的推荐算法研究.pdf

基于反事实推理的推荐算法研究

摘要

推荐系统是用于各种个性化服务的重要而强大的工具，在信息过滤中起着至关重要

的作用，可以帮助各类互联网应用的用户快速寻找感兴趣的内容。近几年，由于机器学

习，尤其是深度学习的飞速发展，推荐系统的效率和准确度都有了巨大的提升。现有的

推荐系统基于学习数据中的相关性来提取用户偏好，例如协同过滤中的行为相关性、特

征-特征相关性或点击率预测中的特征-行为相关性。然而，现实世界是由因果关系而非

相关性驱动的，相关性并不意味着因果关系，仅依赖相关性而不考虑潜在的因果机制可

能会导致各种实际问题。

本文采用因果推理中的反事实推理方法，对基于反事实推理的推荐算法进行了研究

和改进，主要采用反事实推理方法构建反事实数据和相应模型，通过减轻模型中虚假相

关性的影响，提高模型的性能。本文主要研究内容如下：

（1）提出一种基于反事实推理的顺序推荐算法。针对现有的反事实方法多侧重于

对用户隐式反馈，易受虚假相关性影响而无法发掘真实因果关系这一问题，本文提出了

一种基于反事实逻辑推理的对用户显式反馈构建显式反事实推理任务的方法，生成的反

事实示例与原始示例一起训练可以减轻虚假相关性对模型的影响。实验表明，基于显式

反事实推理的推荐模型在三个数据集上比非增强模型命中率大约高2%，比隐式增强模

型命中率大约高1%，并且通过生成反事实解释提高了模型透明度。

（2）提出一种基于反事实推理的知识感知推荐算法。受机器学习框架主要依赖相

关性学习的限制，现有的知识感知推荐模型同样也受到虚假相关性的影响。本文提出一

种从反事实角度发现和减轻潜在虚假相关性的方法，搭建两个反事实生成器和一个推荐

器，以相互协作的方式将二者集成，推荐器帮助反事实生成器更好地识别潜在的虚假相

关并生成高质量的反事实数据，同时反事实生成器帮助推荐器削弱潜在虚假相关性的影

响。实验表明，基于反事实推理的知识感知推荐算法可以有效减少虚假相关性对模型的

影响，在三个数据集上命中率比各基线模型高1%-5%。

关键词：推荐系统；因果推理；反事实推理；数据增强；知识图谱

基于反事实推理的推荐算法研究

Abstract

Recommendersystemsareimportantandpowerfultoolsusedforvariouspersonalized

servicesandplayacrucialroleininformationfiltering,helpingusersofvariousInternet

applicationstoquicklyfindcontentofinterest.Inrecentyears,duetotherapiddevelopmentof

machinelearning,especiallydeeplearning,theefficiencyandaccuracyofrecommendation

systemshaveimprovedtremendously.Existingrecommendationsystemsextractuser

preferencesbasedonlearningrelevanceindata,suchasbehavioralrelevanceincollaborative

filtering,feature-featurerelevanceorfeature-behaviorrelevanceinclick-throughrate

prediction.However,therealworldisdrivenbycausalityratherthanrelevance;relevancedoes

notimplycausality,andrelyingonrelevancealonewithoutconsideringtheunderlyingcausal

mechani