Aprendizaje de la representación de la variable instrumental para el desbloqueo en los sistemas de recomendación

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Ciencia de los datos

Sus antecedentes:

• Los sistemas de recomendación se enfrentan a desafíos con sesgos de datos, particularmente sesgos de popularidad y factores de confusión latentes, que conducen a sugerencias inexactas y menos diversas.
• Las técnicas de desbaste existentes a menudo no abordan los factores de confusión latentes o requieren variables instrumentales predefinidas (IV).

Objetivo del estudio:

• Proponer un nuevo algoritmo de recomendación basado en la causalidad, DIVRS, que aprenda las representaciones de variables instrumentales directamente de los datos de interacción usuario-artículo.
• Para abordar el problema de la amplificación de sesgo en las redes de convoluciones de gráficos (GCN) utilizadas en los sistemas de recomendación.

Principales métodos:

• Aprendizaje de representación IV basado en datos para el desbloqueo en el sistema de recomendación (DIVRS) para descomponer el comportamiento del usuario en relaciones causales y de confusión.
• Se introdujo la regularización de la promoción ortogonal (OPR) y una variante de GCN específica de DIVRS (DIVRS-GCN) para mitigar la amplificación de sesgo.

Principales resultados:

• El DIVRS y el DIVRS-GCN mitigan efectivamente el sesgo de confusión en los sistemas de recomendación.
• Ambos algoritmos demostraron un rendimiento superior a los métodos de última generación en los conjuntos de datos de Douban-Movie y Movielens-10M, mejorando Recall@20 hasta en un 10,98%.

Conclusiones:

• Los enfoques DIVRS y DIVRS-GCN propuestos ofrecen soluciones sólidas y eficaces para desactivar los sistemas de recomendación.
• Estos métodos mejoran la precisión, la diversidad y el equilibrio de las recomendaciones, superando las limitaciones de los sistemas existentes basados en IV.