← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 7263.u · 生成模型:WorkBuddy (Claude)

因果嵌入消流行度偏置

理解等级:高级

因果模型也能用于消偏。以“流行度偏置”为例:用户点击物料可能源于真实兴趣(Interest),也可能源于对热门的盲从(Conformity),二者可能叠加。为此可建因果图——点击由兴趣 Embedding 与盲从性 Embedding 共同产生。

建模时,用户和物料各生成两类 Embedding(兴趣 u_i(int)/i_i(int) 与盲从 u_i(con)/i_i(con)),拼接成完整表示后产生点击。关键是如何让模型“学出”二者差异:用不等式约束——当用户点了更热门的 a 而非较冷门的 b,则盲从性主导(案例1);反之点了更冷门的 a,则兴趣主导(案例2)。据此构造两个 pairwise 样本集 O1/O2,用 BPR 损失引导学习,并对兴趣/盲从 Embedding 加 L1/L2/距离相关正则解耦。采样时采用 PNSM(基于带边缘的流行度负采样),只在流行度相差足够大的物料间采样;训练时边界值与权重随 epoch 递减,配合多任务课程学习由易到难。这把 [[推荐系统中的偏置总览]] 中的偏置纳入因果框架,与 [[曝光偏置与ESMM全空间建模]] 的消偏路线互补。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/103.html;src-052) - 结论依据:原文用因果图把点击拆为兴趣与盲从两类 Embedding,并以两个不等式案例构造 pairwise 样本+BPR损失+解耦正则,配合 PNSM 与课程学习消流行度偏置。 - 原始内容:在推荐系统中,用户与物料的交互可能是由于用户的兴趣(Interest)引起的,也可能是由于用户对流行物料的盲从性(Conformity)造成的,抑或二者皆有