MF-IPS

概述

基于 IPS 的矩阵分解（MF-IPS）将逆倾向加权嵌入经验风险最小化框架，在 MNAR 数据上实现近似无偏的矩阵分解训练。

核心思想：传统矩阵分解在观测到的评分上最小化均方误差，等价于在 MCAR 假设下的经验风险最小化（ERM）。MF-IPS 用 IPS 估计器替代朴素的均方误差，从而在 MNAR 数据上实现近似无偏的 ERM。
优化目标：$\hat{Y}^* = \arg\min_{\hat{Y} \in \mathcal{H}} \hat{R}_{IPS}(\hat{Y}) + \lambda \cdot \text{reg}(\hat{Y})$，其中 $\mathcal{H}$ 是矩阵分解模型的假设空间，$\lambda \cdot \text{reg}(\hat{Y})$ 是正则化项。
理论保证：Tobias Schnabel 等人推导了泛化误差界（generalization error bound），证明了 IPS-ERM 框架的统计学习理论保证。
与传统的关：当所有倾向性评分相等时（即 MCAR），MF-IPS 退化为传统的矩阵分解。这说明传统方法是 MF-IPS 在特殊假设下的特例。
实验结果：在 Yahoo! R3 和 Coat Shopping 数据集上，MF-IPS 显著优于所有基线方法（MF-Naive、HL-MAR、HL-MNAR），配对 t 检验 p < 0.001。MF-IPS 的性能甚至超过了计算复杂度远高于它的联合似然方法（HL-MNAR）。
关键启示：一个概念上简单、计算上高效的方法（IPS 加权的矩阵分解），通过正确地处理偏差，可以胜过复杂的联合概率模型。
局限性：MF-IPS 主要关注显式反馈（评分）场景。现代推荐系统越来越多地依赖隐式反馈（点击、浏览、购买），隐式反馈中的偏差模式更加复杂。