Key points are not available for this paper at this time.
Duas formas típicas de viés nos dados de interação do usuário com sistemas de recomendação (SRs) são o viés de popularidade e o viés de positividade, que se manifestam como a sobre-representação de interações com itens populares ou itens que os usuários preferem, respectivamente. Métodos de desvio visam mitigar o efeito do viés de seleção na avaliação e otimização dos SRs. No entanto, os métodos de desvio existentes consideram apenas formas de viés de fator único, por exemplo, apenas o item (popularidade) ou apenas o valor da classificação (positividade). Isso contrasta fortemente com o mundo real, onde as seleções dos usuários são geralmente afetadas por múltiplos fatores ao mesmo tempo. Neste trabalho, consideramos o viés de seleção multifatorial nos SRs. Nosso foco está no viés de seleção afetado tanto por fatores de item quanto de valor de classificação, que é uma generalização e combinação de viés de popularidade e positividade. Embora o conceito de viés multifatorial seja intuitivo, ele traz um desafio prático severo, pois requer substancialmente mais dados para uma estimativa precisa do viés. Como solução, propomos técnicas de suavização e descida de gradiente alternada para reduzir a variância e melhorar a robustez de sua otimização. Nossos resultados experimentais revelam que, com as técnicas propostas, as correções de viés multifatorial são mais eficazes e robustas do que as contrapartes de fator único em conjuntos de dados do mundo real e sintéticos.
Huang et al. (Qua,) estudaram essa questão.