前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【代码】因果推断+推荐系统的DecRS代码阅读

【代码】因果推断+推荐系统的DecRS代码阅读

作者头像
秋枫学习笔记
发布2022-09-19 11:22:44
4100
发布2022-09-19 11:22:44
举报
文章被收录于专栏:秋枫学习笔记

code:https://github.com/WenjieWWJ/DecRS

paper:https://arxiv.fenshishang.com/pdf/2105.10648.pdf

title:Deconfounded Recommendation for Alleviating Bias Amplification

论文阅读推文:推荐系统+因果推断(一)——KDD2021推荐系统中去除混淆缓解偏差方大

DecRS主要是通过因果推断来缓解推荐系统中的数据偏差问题,以及历史数据中的数据分布不平衡问题,具体可以看文章和之前的论文解读推文。由于推文是早期创作的,所以可能格式之类的不太好,请大家多担待。

本文主要的思想是通过去除因果图中的混杂因子来缓解数据有偏导致的问题,因此方法中没有用到用户的点击数据而是直接使用了不同item组的先验分布,从而避免使用到有偏数据。具体可见论文或公众号推文

今天这篇文章主要和大家分享改论文的代码部分。

文件

主要包含code和data两部分,code部分分别实现了amazon-book和ml-1m的对应的相关DecFM和DecNFM。本文后续代码以DecFM为例。

代码文件主要包含以下几部分:

  • data_utils:读取数据,并且将特征转换成对应的index,得到对应的datasets类,对数据进行负采样得到负样本
  • main:主文件,用于读取相应的超参数,以及实现训练和测试的迭代等
  • model:实现不同模型的具体代码
  • inference:用于测试

数据文件以amazon_book为例,主要包含(只写一部分,具体可详见代码):

  • category_list:包含数据中的不同分组
  • confounder_prior:不同组的占比,先验分布
  • item_category:商品属于什么组
  • user_feature:用户特征

模型

DecFM即为因果推断在FM模型上的应用,这里有两个部分用到了FM,第一部分用到的FM是为了计算M(d, u);第二部分的FM是为了对user-item之间的可能点击概率进行预测。

代码语言:javascript
复制
class DecFM(nn.Module):
    def __init__(self, num_features, num_groups, num_factors, batch_norm, \
                 drop_prob, num_user_features, confounder_prior=None):
        super(DecFM, self).__init__()
        """
        num_features: number of features,
        num_factors: number of hidden factors,
        batch_norm: bool type, whether to use batch norm or not,
        drop_prob: list of the dropout rate for FM and MLP,
        """
        self.num_features = num_features
        self.num_factors = num_factors
        self.num_groups = num_groups
        self.num_user_features = num_user_features
        self.batch_norm = batch_norm
        self.drop_prob = drop_prob

        self.embeddings = nn.Embedding(num_features, num_factors)
        self.biases = nn.Embedding(num_features, 1)
        self.bias_ = nn.Parameter(torch.tensor([0.0]))
        # 用于得到不同组的embedding
        self.confounder_embed = nn.Embedding(num_groups, num_factors)
        # confounder_prior表示每个组所占比例,即文中图1a举得例子[0.7,0.3]这种
        if confounder_prior is not None:
            # \bar{d} in the paper
            self.confounder_prior = torch.tensor(confounder_prior, dtype=torch.float32).cuda().unsqueeze(dim=-1)
        else:
            # confounder prior is assumed as [1/n, 1/n, ..., 1/n]
            self.confounder_prior = \
                    torch.tensor([1.0/num_groups for x in range(num_groups)]).cuda().unsqueeze(dim=-1)

        FM_modules = []
        if self.batch_norm:
            FM_modules.append(nn.BatchNorm1d(num_factors)) 
        FM_modules.append(nn.Dropout(drop_prob[0]))
        self.FM_layers = nn.Sequential(*FM_modules)

        nn.init.normal_(self.embeddings.weight, std=0.01)
        nn.init.constant_(self.biases.weight, 0.0)


    def forward(self, features, feature_values):
        
        ### U & D => M: use FM to calculate M(\bar{d}, u)
        # map the id of group features. eg., [123, 124, 125] => [0, 1, 2]
        confounder_part = features[:, -self.num_groups:] - torch.min(features[:, -self.num_groups:])
        # 得到不同组的embedding
        confounder_embed = self.confounder_embed(confounder_part) # N*num_confoudners*hidden_factor
        # 这个对应论文中的公式7的p(g_a)v_a,也就是公式5中的sum(p(d)d),
        # 利用先验对不同组的embedding进行加权,用于后续计算和用户表征的关系
        # 反映用户对不同组的偏向
        weighted_confounder_embed = confounder_embed * self.confounder_prior
        # 得到用户特征的embedding
        user_features = features[:, :self.num_user_features]
        user_feature_values = feature_values[:, :self.num_user_features].unsqueeze(dim=-1)
        user_features = self.embeddings(user_features)
        # 对应公式7中的后半部分x*u,计算用户表征
        weighted_user_features = user_features * user_feature_values # N*num_user_features*hidden_factor
        
        user_confounder_embed = torch.cat([weighted_user_features, weighted_confounder_embed], 1)
        # 后面就是正常的FM模型的计算流程,利用FM来得到M(\bar{d}, u)
        # 总体上是为了计算不同组的先验与用户embedding之间的关系
        # FM的第一项,求和的平方
        sum_square_user_confounder_embed = user_confounder_embed.sum(dim=1).pow(2) # N*hidden_factor
        # FM的第二项,求平方和
        square_sum_user_confounder_embed = (user_confounder_embed.pow(2)).sum(dim=1) # N*hidden_factor
        user_confounder_mediator = 0.5 * (sum_square_user_confounder_embed - square_sum_user_confounder_embed)
        user_confounder_mediator = user_confounder_mediator.unsqueeze(dim=1)
        
        batch_num = user_features.size()[0]
        assert list(user_confounder_mediator.size())==[batch_num, 1, self.num_factors]
        
        ### 后续是利用FM来进行预测,U & M & I => Y: similar to FM
        ## 以用户,商品和上面求得的M为特征
        nonzero_embed = self.embeddings(features)
        feature_values = feature_values.unsqueeze(dim=-1)
        nonzero_embed = nonzero_embed * feature_values
        
        nonzero_embed = torch.cat([nonzero_embed, user_confounder_mediator], 1)

        # 和上面FM的计算流程一样
        sum_square_embed = nonzero_embed.sum(dim=1).pow(2)
        square_sum_embed = (nonzero_embed.pow(2)).sum(dim=1)

        # FM model
        FM = 0.5 * (sum_square_embed - square_sum_embed)
        # 后续经过BN和dropout来增强模型的鲁棒性
        FM = self.FM_layers(FM).sum(dim=1, keepdim=True)
        
        # bias addition
        feature_bias = self.biases(features)
        feature_bias = (feature_bias * feature_values).sum(dim=1)
        FM = FM + feature_bias + self.bias_
        return FM.view(-1)

推理阶段

在inference的时候,作者考虑到了有的用户他可能就是有偏的,比如有的用户可能只喜欢喜剧。因此文中采用了KL散度来判断该用户是否是兴趣多变的用户。将原有的用户u的历史序列分为两段序列,然后计算这两段序列的对称KL散度。值越大说明越容易改变兴趣,即需要后门调整;反之,则不需要后门调整。

以下为部分代码,具体可见inference文件夹

代码语言:javascript
复制
# 这部分是使用了公式11,12的情况,kl_score标准化后,
# 对两个模型(去除混杂和不去除混杂)的输出分别加权后得到预测分数
threshold_list = [0, 0.5, 1, 2, 3, 4]
alpha_list = [0.5]
# alpha_list = [0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]
# 最外层的for是在探索哪个阈值最好
for threshold in threshold_list:
    print(f'threshold {threshold}')
    # 探索哪个alpha比较好,即公式12的幂
    for alpha in alpha_list:
        print(f'alpha {alpha}')
        user_item_pred = []
        user_item_gt = []
        user_item_gt_dict = {}
        for userID in FM_user_item_score:
            # 对于分数小于阈值的就直接采用在有偏数据上训练得到的FM计算的分数
            # 对于大于阈值的,说明兴趣是容易变化的,需要结合Dec
            if user_kl_score[userID]<=threshold:
                continue
            FM_item_scores = np.array(FM_user_item_score[userID])
            DecFM_item_scores = np.array(DecFM_user_item_score[userID])
            # 计算标准化后的系数
            lamda = ((user_kl_score[userID] - min_kl_score)/(max_kl_score-min_kl_score))**alpha
            # 利用\eta*decfm_score+(1-\eta)*fm_score得到最终分数
            combined_scores = lamda * util.sigmoid(DecFM_item_scores) + (1-lamda) * util.sigmoid(FM_item_scores)
            DecFM_scores = []
            for i in range(len(FM_item_scores)): 
                itemID = user_candidates[userID][i]
                DecFM_scores.append([itemID, combined_scores[i]])
            DecFM_scores.sort(reverse=True, key=util.sort_function)

            user_item_gt.append(test_dict[userID])
            user_item_gt_dict[userID] = test_dict[userID]
            user_item_pred.append([x[0] for x in DecFM_scores[:1000]])
        print(f'user num {len(user_item_gt)}')
        test_result = util.computeTopNAccuracy(user_item_gt, user_item_pred, topN)
        util.print_results(None, None, test_result, None)
本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-12-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 秋枫学习笔记 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档