Probabilistic Residual Learning for Online Recommendations
即插即用的概率残差学习提升跨域推荐
🧭 跨域推荐 · 因果去偏 · 用户聚类 ★ 深度解读
Rutgers University · Meta · University of Copenhagen · UIUC
提出即插即用的因果贝叶斯框架PRL，通过概率用户聚类与do-calculus去偏，显著提升基础推荐模型的跨域冷启动性能。
📌 工作参考价值（4 点）
- 即插即用增强现有模型：PRL 可作为任意深度推荐模型的附加模块，仅学习残差，无需调整原模型，适合在线上系统迭代升级。
- 残差建模策略：对基础推荐器的输出残差进行建模与纠正，尤其适用于跨市场扩张、新用户群冷启动等场景，可快速训练轻量纠正子模型。
- 概率用户聚类与簇特定子模型：自动发现用户偏好群组，每个簇用独立子模型预测残差，能提升个性化精度，类似将 MoE 思想应用于跨域迁移。
- 因果去偏缓解曝光/流行度偏差：通过 do-calculus 边缘化域级混淆因子，降低市场特有偏见，增强跨域泛化；在广告或电商推荐中可用于消除国家或渠道带来的偏差。