山西大学
171559人关注
山西大学：普通本科
高校类型：理工类
官方微信
公众号
公众号
官方企
业微信
业微信
近日，我校数据智能与决策交叉学科团队在推荐系统研究方面取得重要进展，相关成果“Causal Inference for Multi-Criteria Rating Recommender Systems”发表在数据挖掘与信息检索领域顶级期刊ACM Transactions on Information Systems。该论文的第一作者为我校经济与管理学院2022级博士生郭志豪，通讯作者为经济与管理学院宋鹏教授，合作者为山西财经大学冯晨娇副教授，以及我校计算机与信息技术学院姚凯旋讲师和梁吉业教授。
推荐系统是人工智能与管理科学的重要交叉领域。作为互联网大数据时代缓解信息过载的信息过滤技术，推荐系统基于人类特征、行为等多维度数据分析开展用户需求预测，已成为京东、微博、今日头条等在线服务平台、数字教育产品、大宗商品供应链协同等领域精准推荐的核心技术支撑。传统推荐方法主要采用数据驱动的单准则学习范式，考察用户行为数据中的统计相关性。然而，这种范式忽略了人类在选择决策时的多准则行为特征，且缺乏因果分析的相关性范式可能加剧数据偏差问题，进而引致信息茧房、群体极化等负面效应。为了应对上述挑战，研究团队创新性地提出了一种多准则因果推荐框架(见图1)，利用图神经网络挖掘用户高阶异质的多准则行为偏好，并设计了一种新的因果推理策略，建模用户多准则行为与模型预测之间的因果关系，有效提升了推荐系统的准确性与多样性。
图1 多准则因果推荐框架
与以往依赖于相关性分析的方法不同，本论文所提出的方法从数据生成视角构建多准则推荐场景中的因果图(见图2)，基于结构因果模型分析推荐系统中变量之间的因果关系，设计独立于推荐模型的训练与推理范式，进而实现交互概率的无偏估计。
图2 推荐场景中的因果图
实验结果表明，所提出的因果推荐方法在准确性方面显著优于现有方法(见图3)，其设计的因果推理策略有效缓解了用户历史行为数据中的偏差问题，提升了推荐结果的多样性(见图4)。
图3 多准则推荐场景中各方法的预测性能比较
图4 多准则推荐场景中的案例研究
该研究工作得到国家自然科学基金(72171137, U21A20473, 62406180)、山西省基础研究计划项目(202203021211331, 202403021212337)、山西大学交叉学科项目等支持。
ACM Transactions on Information Systems创刊于1983年，是国际上公认的数据挖掘与信息检索领域的顶级期刊，主要发表信息检索、推荐系统、文本挖掘等领域的高质量前沿研究成果。
