推荐系统推理相关论文

KDD2023 顺序推荐旨在通过对顺序行为建模来挖掘具有时间意识的用户兴趣。Transformer作为一种处理顺序输入数据的有效体系结构，在获取顺序关系进行推荐方面显示出其优势。然而，现有的Transformer体系结构缺乏针对分层解纠缠的显式正则化，因此无法在推荐中利用解纠缠表示，从而导致性能欠佳。本文研究了变压器结构的分层解纠缠问题，提出了自适应解纠缠变压器(ADT)框架，该框架能够自适应地确

图神经网络(GNN)是基于图的推荐系统的一种强大的学习方法。近年来，结合对比学习的gnn在推荐数据增强方案方面表现出了优异的性能，其目标是处理高度稀疏的数据。尽管它们取得了成功，但大多数现有的图对比学习方法要么在用户-项目交互图上执行随机增强(例如，节点/边缘扰动)，要么依赖于基于启发式的增强技术(例如，用户聚类)来生成对比视图。我们认为这些方法不能很好地保留固有的语义结构，并且容易受到噪声干扰的

上，例如学习用户在不同模态下的多方面偏好（如MELON），以及设计新颖的复合图卷积网络结构并结合双阶段融合策略（如COHESION）以增强模态间的协同。同时，研究热点也集中在。bias：图解耦去偏应用于POI推荐，探索用户、数据和推荐系统反馈回路中源偏见的放大机制，以及在LLM推荐中进行双重去偏。（例如LLM被用于增强双曲空间图推荐、辅助知识图谱的理解、以及实现图上的提示学习，常结合由粗到精的框架

这篇论文提出了去混淆和调整人气偏差（Popularity-bias Deconfounding and Adjusting, PDA）的框架，通过因果推断技术来解决推荐系统中的人气偏差问题。

研究了多行为推荐中的流行度偏差及其导致的不公平现象。通过构建因果图和利用因果干预技术，提出了一个多行为去偏框架来缓解由流行度偏差引起的不公平。在模型训练过程中考虑流行度和质量的双重影响，通过后门调整和因果干预，在推理阶段有效去除流行度的负面影响。

模型流程：HIN 嵌入生成使用异构信息网络提取用户嵌入 hu、物品嵌入 hv、属性嵌入 ei，统一表示用户、物品及其属性的多样化关系，为后续的强化学习和反事实解释生成提供输入。强化学习框架利用强化学习找到最小的属性修改集合 V^*，优化推荐结果的公平性。状态表示：通过 GRU提取用户推荐历史的序列信息，结合当前推荐列表嵌入生成状态 st​。动作选择：使用注意力机制筛选与当前状态最相关的属性，剔除无

通过行为模式计算、特征生成、贝叶斯推理评分计算，实现了 多行为推荐 的目标。它结合了用户与物品的交互信息，通过 行为模式路径 和 特征矩阵 的加权计算，为用户生成准确的推荐。