Core Concepts
提出了一种基于核函数的自适应因果平衡方法,可以更好地满足因果平衡约束,从而提高去偏协同过滤的性能。
Abstract
本文针对协同过滤中存在的选择偏差问题提出了一种新的去偏方法。现有的去偏方法通常忽略了因果平衡约束,或者使用手动选择的有限个平衡函数,这可能会影响学习到的倾向得分的准确性。
为了解决这一问题,本文首先分析了因果平衡约束与现有方法之间的差距。受此启发,我们提出了在再生核希尔伯特空间中近似平衡函数的方法,并证明了基于核函数的普适性和表示定理,可以更好地满足因果平衡约束。同时,我们提出了一种自适应核平衡算法,并理论分析了方法的泛化误差界。
实验结果表明,所提出的自适应核平衡方法在IPS和DR估计量上都能取得显著的性能提升。与手动选择平衡函数的方法相比,自适应核平衡方法能够自动找到对减少估计偏差贡献最大的平衡函数,从而更有效地去除选择偏差。
Stats
观测到的用户-物品交互数量占总用户-物品对数的比例。
平衡函数h(x)的最大偏差|ˆ
τ (j)|。
Quotes
"理想情况下,倾向得分应该在因果平衡约束下学习。"
"现有的去偏协同过滤方法通常忽略了这种约束,或者使用不合理的近似实现,这可能会影响学习到的倾向得分的准确性。"
"基于核函数的普适性和表示定理,可以更好地满足因果平衡约束。"