Abstract
추천 시스템에서 학습 또는 평가를 위한 데이터는 대부분 selection bias 에 취약하다.
이러한 bias 는 RS 의 action 이나 유저들의 self-selection 을 통해 생성된다.
selection bias 를 처리하기 위해 a principled approach 제안 by adapting models and estimation techniques from causal inference
추천 시스템에서 학습 또는 평가를 위한 데이터는 대부분 selection bias 에 취약하다.
이러한 bias 는 RS 의 action 이나 유저들의 self-selection 을 통해 생성된다.
selection bias 를 처리하기 위해 a principled approach 제안 by adapting models and estimation techniques from causal inference
Recommendations as treatments - debiasing learning and evaluation Doubly robust joint learning for recommendation on data missing not at rando...
Tags selection bias, Abstract Introduction unbiased ratings 포함시키는 방법: 임의로 선택된 일부 아이템들에 대해 유저들에게 rating 을 요청함 Related work Recommendation Debiasing 기존의 debiasing 은 주로 두 가지 측면에...
“ 만약 사용자에게 강제로 영화를 보게 만든다면 어떻게 평가할 것인가?”: causal inference question
selection bias, which occurs because clicked documents are reflective of what documents have been shown to the user in the first place. propose new counterfactual approaches...
Reference paper: https://dl.acm.org/doi/pdf/10.1145/3240323.3240372 cailbration 의 목적 In the recommended list of items, calibration ensures that the various (past) areas of...
Blindly fitting the data without considering the inherent biases will result in many serious issues, e.g., the discrepancy between offline evaluation and online metrics,...
Tags: paper review, matrix factorization , WWW 19
https://dl.acm.org/doi/pdf/10.1145/3460231.3474263 Abstract biased 와 unbiased feedback 생성 과정을 설명 두 과정의 차이는 bias 의 source 때문인데, 이를 confounding bias 라고 부름 biased feedback 이 존재하는...
Joint models of exposure and clicks
추천 시스템의 사회적 desirability 을 향상시키기 위한 아이디어를 제공: 입력 데이터에 추가적인 데이터 (해독 데이터) 를 입력