用反事实推理缓解数据流行度偏差《Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in RS》
背景
在推荐场景，广泛存在长尾分布的现象，即少量的物品频繁的出现，导致正常训练的推荐模型更倾向于推荐流行物品，从而导致马太效应，即流行的物品被更频繁地推荐，并变得更加流行。目前针对这个问题的去偏算法主要可以分成三类：
（1）逆权重分数：估计物品流行度的倾向性权重，并对每条数据样本利用逆权重分数进行加权。
（2）加入无偏数据：通过从额外的无偏数据中学习来纠正流行度偏差。
（3）分解嵌入表示：将兴趣和流行度分解为两套嵌入模型，并调整使得模型学习到更鲁棒的模式。
这篇论文引入了因果推断的思想来对模型进行纠偏
模型结构
论文提出上图所示的模型结构，模型主要包含3个head：
损失函数
最终的预测结果
参考资料
https://mp.weixin.qq.com/s/b1DCPuO-yzR4oZpzx3xVfg
