基于多因果解耦的推荐系统潜在混杂因素建模研究

这篇研究提出了一种新颖的多因果解耦方法（MCDCF），通过分别学习用户侧和物品侧的潜在混杂因素（latent confounders）替代表征，有效解决了推荐系统中因混杂偏差（如流行度偏差）导致的推荐准确度下降问题。该方法利用变分推理模型，仅依赖用户行为数据即可实现端到端的解耦建模，在四个真实数据集上实现了最高38.61%的指标提升。

　　

亮点

本研究基于图2(b)所示的因果图开发了多因果解耦方法（MCDCF）。该方法包含两大核心步骤：首先从用户行为数据中还原用户侧替代混杂因子X_U和物品侧X_I，随后基于这些替代因子预测用户点击行为。

实验

我们在四个真实世界数据集上开展实验，重点评估以下研究问题：

• RQ1：MCDCF在推荐准确性上是否优于现有最优方法？

• RQ2：用户侧与物品侧混杂因素的分离建模效果如何？

• RQ3：...（后续内容因篇幅限制未完整呈现）

结论

本文提出的MCDCF创新性地通过多因果框架分别学习用户和物品的潜在混杂因素替代表征。与现有方法不同，MCDCF能同时捕捉用户侧（如社交环境影响）和物品侧（如公共吸引力）的混杂效应，仅需交互数据即可实现高效去偏，为推荐系统的因果推理提供了新范式。

（注：根据要求，翻译部分保留了专业术语标注和下标格式，并去除了文献引用标识。因篇幅限制，部分章节内容有精简。）