具有因果关系意识的社会推系统与网络同类关系信息多重治疗混者

科学领域:

• 计算机科学 计算机科学
• 机器学习 机器学习
• 因果推理因果推理

背景情况:

• 推系统通常从观察到的评级中预测用户的偏好,但忽略因果关系,在项目暴露影响评级的情况下.
• 现有的因果关系方法往往忽视了多个项目的复杂性和在现实世界的场景中同时推断.
• 社交网络信息虽然有价值,但会混用户偏好,并使社交推系统中的混复杂化.

研究的目的:

• 为了提高准确性,将推作为多重因果推理问题的框架.
• 开发一个因果关系意识的社会推者系统,集成社会网络结构.
• 为了减轻网络观测数据中的混偏差,以加强社会建议.

主要方法:

• 将推作为一个多重因果推理问题的框架.
• 将社交网络结构与矩阵因子化结合起来,以消除混.
• 通过规范化在矩阵因子化模型中利用网络同类性.
• 采用基于近距离梯度的优化框架,以实现高效的模型估计.

主要成果:

• 拟议的方法通过学习网络知情的多重治疗混因子,有效地减轻混偏差.
• 隐性变量捕捉网络结构,从而提高了评级预测的准确性.
• 靠近梯度优化框架提高了计算效率,并结合了网络约束.

结论:

• 将推视为多重因果推理问题对准确的预测至关重要.
• 将社交网络的同类性整合到矩阵因子化中,可以提高解混和推质量.
• 开发的因果关系意识的社会推器为网络数据提供了计算效率高和有效的方法.