偽の注文が混入したシーケンシャル推薦システムに対する偏りのない補正（Unbiased Rectification）

抽象: 偽の注文は、クリックファーム、文脈に無関係な置換、連続的な摂動などの人為的に操作された相互作用を通じて、推薦結果を誤誘導することで、逐次レコメンダ（連続推薦）システムに対する脅威をますます高めている。慎重に設計した偽ユーザを注入して推薦性能に影響を与えるのとは異なり、真のユーザのシーケンスに埋め込まれた偽の注文は、ユーザの嗜好を攪乱し、推薦結果を誤誘導することを狙う。その結果として、特定のアイテムの露出率を操作し、競争上の優位を獲得する。ユーザの本来の関心嗜好を保護し、誤誘導情報を排除するため、本論文は、既存モデルの再学習に伴う膨大な計算コストと時間コストを回避しつつ、侵害された逐次レコメンダシステムに対して正確かつ効率的な補正を行うことを目的とする。具体的には、偽の注文は絶対的に有害ではないこと、そして場合によっては、部分的な偽の注文がデータ拡張の効果を持ちうることを特定する。この洞察に基づき、本論文ではDual-view Identification and Targeted Rectification（DITaR）を提案する。これは主に、有害なサンプルを識別して、システムの偏りのない補正を実現する。提案手法の中核となる考え方は、協調（コラボレーティブ）ビューと意味（セマンティック）ビューから差別化された表現を得ることで精密な検出を行い、検出された疑わしい偽の注文をフィルタリングして、本当に有害なものだけを勾配上昇によるターゲット補正に選択する、というものである。これにより、偽の注文に含まれる有用な情報は除去せずに、バイアス残差を防ぐことが保証される。さらに、元のデータ量とシーケンス構造を維持するため、システム性能と信頼性を保ち、最適な偏りのない補正を達成できる。3つのデータセットに対する大規模な実験により、DITaRは、推薦品質、計算効率、システムの頑健性の観点で、最先端手法よりも優れた性能を示すことが実証された。