【Debias】Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in RS（KDD‘21）

Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System (KDD’21)

图a是我们一般推荐模型的假设，即用户和物品的匹配程度可以反映是否会产生交互。但是事实上应该如图c所示，产生交互不仅仅和匹配程度有关，还和用户和物品本身的偏差有关：物品的流行度、用户是否喜欢流行物品。因此推荐模型应该改造为：

其中user module和item module是一个mlp，推荐模型的输出应该为：
$${\hat{y}}_{ui}={\hat{y}}_k\ast \sigma \left({\hat{y}}_i\right)\ast \sigma \left({\hat{y}}_u\right)$$
损失函数的设计为：
$$\begin{array}{rl}{L}_O& =\sum _{(u,i)\in D}-y_{ui}\log \left(\sigma \left({\hat{y}}_{ui}\right)\right)-\left(1-y_{ui}\right)\log \left(1-\sigma \left({\hat{y}}_{ui}\right)\right)\\ L_U& =\sum _{(u,i)\in D}-y_{ui}\log \left(\sigma \left({\hat{y}}_u\right)\right)-\left(1-y_{ui}\right)\log \left(1-\sigma \left({\hat{y}}_u\right)\right)\\ L_I& =\sum _{(u,i)\in D}-y_{ui}\log \left(\sigma \left({\hat{y}}_i\right)\right)-\left(1-y_{ui}\right)\log \left(1-\sigma \left({\hat{y}}_i\right)\right)\\ L& =L_O+\alpha \ast L_I+\beta \ast L_U\end{array}$$

所以为了消除用户和物品自身的影响，无偏的预测输出应该为：
$${\hat{y}}_k\ast \sigma \left({\hat{y}}_i\right)\ast \sigma \left({\hat{y}}_u\right)-c\ast \sigma \left({\hat{y}}_i\right)\ast \sigma \left({\hat{y}}_u\right)$$