C2lRec : Apprentissage Contrastif Causal pour la Recommandation aux Nouveaux Utilisateurs avec des Variables Sociales

Les systèmes de recommandation basés sur l'embedding s'appuient sur des interactions historiques pour modéliser les utilisateurs, ce qui pose des défis pour recommander à de nouveaux utilisateurs, connu sous le nom de problème de démarrage à froid des utilisateurs. Certaines approches intègrent des réseaux sociaux pour déduire les préférences en fonction des cercles sociaux des utilisateurs à froid afin de résoudre le problème des caractéristiques rares. Cependant, de telles méthodes ont du mal à distinguer entre les corrélations superficielles et les relations causales dans les comportements sociaux, entraînant des inexactitudes dans la prédiction des préférences des utilisateurs. Pour résoudre les problèmes susmentionnés, nous proposons le cadre d'Apprentissage Contrastif Causal pour la Recommandation (C2lRec). Concrètement, nous modélisons causalement l'inférence des préférences cachées à partir des caractéristiques et du comportement historique des utilisateurs chauds et prédisons les interactions des utilisateurs en fonction de ces préférences. L'inférence contrefactuelle est ensuite effectuée pour intervenir et extraire les interactions des comportements historiques des utilisateurs chauds qui influencent leurs préférences, désignant comme variables causales principales. De plus, nous utilisons les variables causales principales des utilisateurs au sein du cercle social des utilisateurs à froid pour remplacer les interactions historiques manquantes des utilisateurs à froid et employons une approche de modélisation causale similaire pour découvrir des préférences cachées comme nous le faisons avec les utilisateurs chauds. Enfin, nous réalisons un apprentissage contrastif causal pour améliorer la distribution des utilisateurs à froid. D'importants essais menés sur trois ensembles de données publiques démontrent que les performances de recommandation de C2lRec dépassent celles des méthodes à la pointe de la technologie.