本文主要关注多场景推荐领域,这是一个重大挑战,需要有效利用不同场景的数据来增强数据稀缺场景的预测能力。现有的主流方法主要集中在创新模型网络架构,旨在使网络能够隐式地从不同场景中获取知识。然而,网络中隐式学习的不确定性源于缺乏显式建模,不仅训练困难,而且用户表示不完整,性能也不理想。
通过因果图分析,我们发现场景本身直接影响点击行为,但现有方法在训练当前场景模型时直接利用其他场景的点击行为,导致预测存在偏差。为解决这些问题,我们提出了多场景因果驱动自适应网络M-scan。该模型包含场景感知协同注意力机制,显式提取与当前场景相符的其他场景用户兴趣;同时采用场景偏差消除模块,利用因果反事实推理缓解其他场景数据引入的偏差。
在两个公开数据集上的大量实验证明,与现有基准模型相比,M-scan的有效性得到验证。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Jiachen Zhu,... at arxiv.org 04-12-2024
https://arxiv.org/pdf/2404.07581.pdfDeeper Inquiries