FunPapers[2]：www‘24「快手」连续特征单调性建模

Enhancing Interpretability and Effectiveness in Recommendation with Numerical Features via Learning to Contrast the Counterfactual samples dl.acm.org/doi/pdf/10.1145/3589335.3648345， 2024.

FunPapers系列第二篇，来看一下手子在 2024上发表的CCSS，《Enhancing Interpretability and Effectiveness in Recommendation with Numerical Features via Learning to Contrast the Counterfactual samples 》。

核心思想

通过对比学习与反事实样本合成，专门建模连续特征的“单调性”，提升推荐系统中数值特征的可解释性和有效性。

论文内容概述

深度模型在当前工业推荐系统中引用广泛，数值特征则是深度模型输入的重中之重，但现有研究较少关注数值特征与模型输出之间的单调性关系，而这对于模型的可解释性和准确性具有重要意义，特别是在搜广推领域。

数值特征在深度模型中通常以两种方式输入，标量或离散化后向量化，如下图所示：

针对该问题，论文提出了一种模型无关的对比学习框架CCSS（Contrastive learning framework with Counterfactual Samples Synthesizing），通过合成反事实样本和事实样本，并学习对比这些样本，以建模数值特征与模型输出之间的单调性关系，进而提升推荐系统的可解释性和有效性。

方法介绍

论文提出的CCSS框架主要包含两个部分：反事实样本合成和对比学习目标函数，具体方法如下：

反事实样本合成：首先计算每个数值特征的重要性，以此作为被扰动的概率。对于每个原始样本，选择一个数值特征进行扰动，生成一个反事实样本和一个事实样本，同时保持其他特征不变。

合成过程如下：

对于正样本，反事实样本通过将数值特征扰动到左邻域桶的中心生成，事实样本通过扰动到右邻域桶的中心生成；对于负样本则相反。此外，还考虑了边界条件，当数值特征位于最左侧或最右侧桶时，只生成一个反事实样本。边界条件。边界是指样本的特征值位于离散化后的边界，这种情况只合成一个样本。

对比学习目标函数：通过对比生成的样本与原始样本的模型输出，学习数值特征与模型输出之间的单调性关系。 合成上来看，就是基于合成样本和原始样本之间的关系构建对比损失：

对于正样本，期望事实样本的得分高于原始样本，原始样本的得分高于反事实样本；对于负样本则相反。为此，引入了成对损失函数，采用hinge损失，并通过超参数控制成对损失与点损失之间的权衡。 实验介绍

作者在常用的模型上尝试了CCSS，离线指标和线上实验都取得了非常显著的效果：

离线的指标咱就不看了，看看论文中提出的衡量数值特征单调性的指标：

M o n o _ r a t e = # M o n o t o n e _ p a i r s ( D ) # C o m p a r a b l e _ p a i r s ( D ) Mono\_rate = \frac{\#Monotone\_pairs(D)} {\#Comparable\_pairs(D)} Mono_rate=#Comparable_pairs(D)#Monotone_pairs(D)​

其中：

#Monotone_pairs(D)：模型预测结果满足特征单调性样本对数量。#Comparable_pairs(D)：从标签和合成样本间关系来看，预期的单调样本数量。

从实验数据来看，增加CCSS后，头部特征的单调性有明显的提高，这点来看还是比较符合预期的。

总体来看，论文的思路比较简单、直接，有机会可以一试！