基于不确定性估计的推荐系统多任务学习去偏方法

摘要：

推荐系统在互联网应用中扮演重要的角色,它的核心任务是将最相关的物品推荐给用户,然而,由于推荐系统通常在大规模、稀疏和高维的数据集上运行,因此存在严重的偏差问题.近年来,多任务学习成为解决推荐系统偏差的有效方法,它可以同时学习多个相关任务,充分利用数据集的内在结构和相关性,研究人员最近还提出全空间反事实的转化率预测,利用逆倾向得分和双重鲁棒方法对推荐算法的效果进行估计.然而,通过理论分析发现,倾向性分数估计不准确和插值误差往往会导致预估偏差,这在实践中经常发生,影响了推荐的准确性和可靠性.由此,引入不确定性估计,结合多任务学习,通过计算每个用户反馈数据的概率分布来衡量数据的可靠程度,减轻模型在数据稀疏或数据噪声较大时的过拟合问题,有效地提高系统的泛化能力并减少偏差.实验结果表明,加入不确定性估计的多任务学习可以更好地适应不确定性的环境,在推荐系统中有广阔的应用前景.

关键词：推荐系统、多任务学习、双重鲁棒、逆倾向得分、不确定性估计

所属期刊栏目：59

分类号：TP389.1(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;CCF-蚂蚁科研基金

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：543-549