文章名称
Bias and Debias in Recommender System: A Survey and Future Directions
核心要点
上一节中，我们介绍了现有方法在训练阶段消除Exposure Bias的关键在于对样本进行权重调节，即如何从未曝光的隐式负反馈中提取置信度较高的负反馈，并按照置信度权重的选择和提取方法分为3种类型，介绍了其中启发式和采样式的方法。这一节介绍基于曝光的模型方法。
方法细节
问题引入
如前所述，人工的选取置信度权重的方法存在着不准确和偏差相对较大的问题，逐渐的我们发现一种思路是利用user-item曝光的概率来代表这种置信程度，曝光概率越高的，没有获得正向的反馈则更可能是值得信任的负反馈。
具体做法
Exposure-based model
这种方法是通过建模user-item的被观测可能性，来确认哪些反馈是可信的，例如[2]，[3]。EXMF[1]引入了一个曝光变量，并且把隐式负反馈建模为如下的过程。
其中
. [4], [5]提出EXMF的改进方法，并且把EXMF的loss function改写如下图所示。其中
其实，基于曝光模型的方法可以理解为如下图所示的因果图。假设观测到了那么
和
是相关的（表示了曝光偏置）。如果我们没有观测到
（即要预估它），那么
同时受到
和
的影响，我们需要控制
，来保证
只受
影响。利用后门准则，
，表明确实当控制
，
只受
影响。
但是，如果直接通过最小化rewrite EXMF loss，是用于过拟合的，并且
当然还存在一些其他类型的方法用来解决曝光偏差的问题，这些方法中的一些和因果推断比较相关，我们会单独讲解。
心得体会
EXMF
这里数据里只有观测到的反馈结果，即，而没有
。所以，我们优化的是边际概率，即
。而我们的目标是得到一个可靠的
。
文章引用
[1] D. Liang, L. Charlin, J. McInerney, and D. M. Blei, “Modeling user exposure in recommendation,” in WWW. ACM, 2016, pp.951–961.
[2] J. Chen, Y. Feng, M. Ester, S. Zhou, C. Chen, and C. Wang, “Modeling users’ exposure with social knowledge influence and consumption influence for recommendation,” in CIKM, 2018, pp. 953–962.
[3] M. Wang, X. Zheng, Y. Yang, and K. Zhang, “Collaborative filtering with social exposure: A modular approach to social recommendation,” in AAAI, 2018.
[4] J. Chen, C. Wang, S. Zhou, Q. Shi, Y. Feng, and C. Chen, “Samwalker: Social recommendation with informative sampling strategy,” in The World Wide Web Conference. ACM, 2019, pp. 228–239.
[5] J. Chen, C. Wang, S. Zhou, Q. Shi, J. Chen, Y. Feng, and C. Chen, “Fast adaptively weighted matrix factorization for recommenda.
