Debiasing Sequential Recommendation with Time-aware Inverse Propensity Scoring

Each language version is independently generated for its own context, not a direct translation.

Ecco una spiegazione semplice e creativa del paper, pensata per chiunque, anche senza conoscenze tecniche.

Immagina di essere un chef stellato (il sistema di raccomandazione) che deve preparare il prossimo piatto per un cliente (l'utente). Il tuo compito è indovinare cosa vorrà mangiare dopo.

Il Problema: La "Cecità" dello Chef

Finora, gli chef digitali hanno avuto un problema enorme: vedono solo ciò che il cliente ha ordinato, ma non sanno cosa gli è stato offerto e che ha rifiutato.

L'errore di "Esposizione" (Exposure Bias):
Immagina che lo chef mostri al cliente solo 5 piatti su un menu di 100. Se il cliente non ordina nessuno dei 5, lo chef pensa: "Ah, questo cliente non ha fame!". In realtà, il cliente avrebbe potuto ordinare il 60° piatto, ma non lo ha mai visto! Lo chef ignora tutto ciò che non è stato mostrato.
L'errore di "Scelta" (Selection Bias):
Se il cliente vede 10 piatti e ne ordina solo uno, lo chef pensa: "Ok, gli piace solo quello, gli altri 9 non gli piacciono affatto". Ma forse gli altri 9 erano buoni, solo che il cliente era sazio o distratto. Lo chef confonde "non ordinato" con "non piaciuto".

Il risultato? Lo chef inizia a proporre sempre gli stessi piatti popolari (perché sono quelli che sa che vengono ordinati) e ignora le vere passioni nascoste del cliente. È un circolo vizioso.

La Soluzione: Il "Time-Aware Inverse Propensity Scoring" (TIPS)

Gli autori del paper, Sirui Huang e il suo team, hanno inventato un nuovo metodo chiamato TIPS. Per capirlo, usiamo un'analogia con un investigatore privato che usa la "logica controfattuale" (il "E se...?").

Invece di guardare solo i dati reali (cosa è successo), l'investigatore si chiede: "E se le cose fossero andate diversamente?"

Ecco come funziona TIPS in tre passaggi magici:

1. Il Diario dei Ricordi (Doppia Memoria)

Lo chef ha due diari separati:

Diario degli Ordini: Cosa ha mangiato il cliente (i "click" o acquisti).
Diario delle Offerte: Cosa è stato mostrato al cliente, anche se non ha ordinato.
Il problema è che spesso manca il "Diario delle Offerte". TIPS costruisce un diario immaginario molto intelligente per colmare questa lacuna.

2. I Tre "E Se..." (Campioni Controfattuali)

Per capire cosa il cliente avrebbe potuto ordinare, TIPS crea tre scenari ipotetici per ogni piatto che il cliente ha effettivamente ordinato:

Scenario A: "Il Cugino Simile"
- Domanda: "E se avessimo mostrato al cliente un piatto molto simile a quello che ha ordinato, nello stesso momento?"
- Scopo: Capire se il cliente ama quel tipo di cibo, non solo quel singolo piatto.
Scenario B: "Il Gigante Popolare"
- Domanda: "E se avessimo mostrato al cliente il piatto più famoso del menu in quel momento?"
- Scopo: Capire se il cliente è influenzato dalle mode o se ha gusti davvero propri.
Scenario C: "Lo Stesso Piatto, un attimo dopo"
- Domanda: "E se avessimo mostrato lo stesso piatto, ma 5 minuti dopo?"
- Scopo: Capire quanto il tempo influenzi la fame. Forse il cliente aveva fame allora, ma non ora.

Questi scenari immaginari aiutano lo chef a capire la probabilità che un piatto venisse mostrato, indipendentemente dal fatto che il cliente lo abbia ordinato o meno.

3. La Bilancia del Tempo (Time-Aware)

Qui sta la vera magia. I vecchi metodi trattavano tutti i momenti come uguali. TIPS sa che il tempo conta.

Se un cliente ha ordinato un gelato 5 anni fa, quella preferenza vale meno di un gelato ordinato ieri.
Se un piatto è diventato di moda oggi, la sua probabilità di essere visto è diversa rispetto a ieri.

TIPS usa una bilancia dinamica che pesa le esperienze in base a quando sono accadute. Se un piatto è stato mostrato raramente ma il cliente lo ha amato, la bilancia gli dà un peso enorme (perché è un segnale forte!). Se un piatto è stato mostrato mille volte e il cliente non lo ha mai toccato, la bilancia ne riduce l'importanza.

Il Risultato: Uno Chef più Intelligente

Grazie a questo metodo, il sistema di raccomandazione:

Non si fida ciecamente di ciò che vede (evita di pensare che "non cliccato" significhi "non piaciuto").
Capisce il contesto temporale (sa che i gusti cambiano e che le mode passano).
Scopre i tesori nascosti: Invece di proporre sempre gli stessi 5 piatti famosi, osa proporre piatti meno conosciuti ma perfetti per quel cliente in quel preciso momento.

In Sintesi

Il paper dice: "Non limitatevi a guardare cosa le persone fanno. Chiedetevi cosa avrebbero potuto fare se avessero avuto più opzioni e se il tempo fosse stato diverso. Usate questa immaginazione guidata dal tempo per correggere i vostri errori e fare raccomandazioni davvero giuste."

È come passare da un chef che legge solo gli ordini sul tavolo a uno chef che legge nel pensiero del cliente, tenendo conto di cosa è successo ieri, oggi e cosa potrebbe succedere domani.

Each language version is independently generated for its own context, not a direct translation.

Ecco un riassunto tecnico dettagliato del paper "Debiasing Sequential Recommendation with Time-aware Inverse Propensity Scoring" (Sbilanciamento della Raccomandazione Sequenziale con Punteggio di Propensione Inversa Consapevole del Tempo), presentato in italiano.

1. Il Problema

Le Raccomandazioni Sequenziali (SR) mirano a prevedere le future interazioni degli utenti modellando l'ordine temporale dei loro comportamenti storici. Tuttavia, i modelli esistenti (sia tradizionali che generativi) soffrono di due bias fondamentali derivanti dall'assenza di dati sulle esposizioni (cioè quali articoli sono stati mostrati all'utente ma non cliccati):

Bias di Esposizione (Exposure Bias): Gli articoli che non sono mai stati esposti all'utente vengono implicitamente trattati come se l'utente non avesse alcun interesse verso di essi.
Bias di Selezione (Selection Bias): Gli articoli esposti ma non interagiti (non cliccati) vengono interpretati come "non interessanti", mentre in realtà la mancanza di interazione potrebbe essere dovuta alla strategia di visualizzazione o al contesto, non alla preferenza reale.

I metodi esistenti per correggere questi bias, come il Punteggio di Propensione Inversa (IPS), sono tipicamente statici. Assegnano pesi alle interazioni basandosi solo su segnali contestuali (attributi utente o item) senza modellare le dipendenze sequenziali e le dinamiche temporali. Questo è un limite critico perché gli interessi degli utenti evolvono nel tempo e la probabilità di esposizione di un articolo cambia dinamicamente (es. nuovi lanci, promozioni, trend).

2. Metodologia: Time-aware Inverse Propensity Scoring (TIPS)

Gli autori propongono un nuovo framework chiamato HyperG (o TIPS), che integra l'IPS con informazioni temporali e ragionamento controfattuale per stimare la distribuzione di esposizione anche in assenza di log di esposizione.

A. Modello Causale Strutturale (SCM)

Il lavoro si basa su un modello causale che distingue tra:

$U$ : Preferenze dell'utente.
$E$ : Esposizione dell'item.
$C$ : Interazione (click).
Il modello riconosce che $E$ è un prerequisito per $C$ e che ignorare $E$ porta a stime distorte di $U$ .

B. Strategia di Codifica Duale

Per separare le semantiche statiche degli item dalle dinamiche temporali, il sistema utilizza due tabelle di embedding distinte:

Embedding di Interazione ( $H(C)$ ): Cattura le preferenze esplicite (click, acquisti).
Embedding di Esposizione ( $H(E)$ ): Cattura fattori che influenzano la visibilità (popolarità, campagne promozionali).
Inoltre, vengono codificati gli intervalli temporali tra le interazioni per modellare il decadimento o l'evoluzione degli interessi.

C. Costruzione di Campioni Controfattuali

Poiché non si hanno log di esposizione, il sistema genera campioni controfattuali per stimare la probabilità di esposizione ( $P(E=1)$ ) per ogni interazione osservata. Per ogni coppia item-tempo reale $(v_i, t_i)$ , vengono costruiti tre scenari ipotetici positivi (dove $E=1$ ma $C=0$ ):

Item Simili: "Cosa sarebbe successo se fosse stato mostrato un item simile?" (basato sulla similarità nell'embedding di esposizione).
Item Popolari: "Cosa sarebbe successo se fosse stato mostrato un item molto popolare?" (basato sulla frequenza storica).
Stesso Item, Tempo Diverso: "Cosa sarebbe successo se lo stesso item fosse stato mostrato in un momento leggermente diverso?" (perturbazione del vettore temporale).

D. Stima della Propensione Temporale

Un modello plug-in ( $f_\phi$ ) stima la distribuzione di esposizione utilizzando un meccanismo di Cross-Attention.

L'embedding dell'item (o del campione controfattuale) combinato con il tempo agisce come Query.
La sequenza storica delle interazioni dell'utente agisce come Key e Value.
L'output è un punteggio di propensione temporale ( $s_{v,t}$ ) che stima la probabilità che un item sia stato esposto in quel momento specifico.

E. Funzione di Obiettivo di Addestramento

L'obiettivo finale combina due loss:

Loss di Stima dell'Esposizione ( $L_{EP}$ ): Addestra il modello a distinguere tra esposizioni reali e controfattuali.
Loss di Raccomandazione Aggiustata ( $L_{BPR-TIPS}$ ): Utilizza il punteggio di propensione inversa temporale ($1/s_{v,t}$) per pesare le interazioni durante l'addestramento. Il peso include anche un fattore di decadimento temporale per enfatizzare le interazioni recenti.

3. Contributi Chiave

Framework Plug-in Agnostico: HyperG può essere integrato in qualsiasi modello di raccomandazione sequenziale (tradizionale basato su Attention/RNN o generativo basato su Diffusione/VAE).
Stima dell'Esposizione senza Log: Risolve il problema della mancanza di dati di esposizione costruendo campioni controfattuali basati su similarità, popolarità e variazioni temporali.
Dinamicità Temporale: A differenza dell'IPS statico, TIPS modella come la probabilità di esposizione e le preferenze degli utenti cambiano nel tempo, correggendo i bias che si accumulano nelle sequenze lunghe.
Separazione dei Bias: Distingue chiaramente tra "non esposto" e "non interessato", permettendo una correzione più precisa del bias di selezione.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su quattro dataset pubblici (ML-1M, ML-10M, Music4All, GoodReads) confrontando HyperG con modelli di base (SASRec, GRU, CVAE, DiffuRec) e metodi di debiasing esistenti.

Performance Generale: HyperG ha mostrato miglioramenti consistenti su tutti i dataset e su tutti i backbone testati.
- Su modelli sequenziali tradizionali (es. Attention), ha ottenuto un miglioramento medio del ~6% in HR@10 e ~5% in NDCG@10.
- Su modelli generativi (es. CVAE, DiffuRec), ha ottenuto guadagni simili, confermando la sua versatilità.
Impatto dei Dati: I miglioramenti sono stati più significativi su dataset di grandi dimensioni e con interazioni frequenti (es. Music4All), dove la stima della propensione temporale può sfruttare meglio la densità dei dati.
Studio di Ablazione:
- Rimuovere l'informazione temporale o il modulo di stima dell'esposizione ha causato un calo significativo delle prestazioni, confermando che entrambi sono essenziali.
- I modelli generativi sono risultati leggermente più resilienti alla rimozione dell'informazione temporale rispetto ai modelli sequenziali tradizionali, probabilmente perché catturano implicitamente segnali temporali attraverso i processi di diffusione.
Analisi dei Punteggi di Propensione: HyperG produce punteggi di propensione più discriminativi tra item positivi e negativi rispetto all'IPS tradizionale, permettendo una correzione del bias più efficace.

5. Significato e Impatto

Questo lavoro è significativo perché affronta una delle limitazioni fondamentali delle raccomandazioni sequenziali: l'assenza di dati di esposizione.

Superamento dello Statico: Dimostra che l'IPS non deve essere statico, ma deve evolvere insieme alle dinamiche temporali degli utenti e del sistema.
Soluzione Pratica: Fornisce un metodo pratico per migliorare le raccomandazioni in scenari reali dove i log di esposizione sono spesso incompleti o non disponibili, utilizzando tecniche di ragionamento controfattuale.
Versatilità: La natura "plug-in" del framework lo rende immediatamente applicabile sia ai sistemi di raccomandazione classici che alle nuove architetture generative basate su Diffusione, ponendo un nuovo standard per la correzione dei bias causali nelle raccomandazioni.

In sintesi, il paper propone una soluzione elegante e robusta per trasformare i dati di interazione parziale in stime di preferenza più accurate, integrando la causalità, la controfattualità e la dimensione temporale in un unico framework unificato.