Conditionally Identifiable Latent-Environment Modeling for Out-of-Distribution Recommendation
面向分布外推荐的条件可识别潜在环境建模
🧭 分布外推荐 · 潜在环境识别
Southern University of Science and Technology · Massey University
提出可识别潜在环境的推荐框架，利用条件指数族和特征索引多项式建模偏好偏移，并通过边际化预测提升OOD鲁棒性
📌 工作参考价值（4 点）
- 在推荐模型中引入用户条件化的隐环境变量，用变分推断估计环境分布，然后对物品预测做边际化，可提升对季节、地域、营销活动等偏移的鲁棒性，直接用于精排或召回阶段
- 训练时使用风险上界（excess deployment log-risk）作为优化目标，可参考其推导出的一种稳健损失，结合环境推断误差联合优化，比单纯对抗训练或不变性约束更易落地
- 特征索引多项式作为解码器，能够精细刻画环境如何改变偏好，适合建模多维度偏移（如时间+地域），可迁移到电商跨域推荐或广告跨场景预估
- 可识别性理论保证在充足变化和正确模型设定下，所学表征有清晰语义，便于后续分析环境成因（如大促期间品类偏好变化），增强模型可解释性