[論文レビュー] Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation

Xiangmeng Wang, Qian Li+4 more|arXiv (Cornell University)|Feb 5, 2022

Recommender Systems and Techniques被引用数 12

ひとこと要約

本稿では、ユーザー行動、アイテムコンテキスト、交絡要因の間の因果関係をモデル化することで、意味的文脈に配慮した偏りのないユーザー意図表現を学習する、新しい因果的分離枠組みCaDSIを提案する。因果的干渉と分離表現学習を統合することにより、実世界のデータセットにおいて推薦の頑健性と解釈可能性が向上し、精度および公平性指標の両面で最先端のベースラインを上回る性能を発揮する。

ABSTRACT

Traditional recommendation models trained on observational interaction data have generated large impacts in a wide range of applications, it faces bias problems that cover users' true intent and thus deteriorate the recommendation effectiveness. Existing methods tracks this problem as eliminating bias for the robust recommendation, e.g., by re-weighting training samples or learning disentangled representation. The disentangled representation methods as the state-of-the-art eliminate bias through revealing cause-effect of the bias generation. However, how to design the semantics-aware and unbiased representation for users true intents is largely unexplored. To bridge the gap, we are the first to propose an unbiased and semantics-aware disentanglement learning called CaDSI (Causal Disentanglement for Semantics-Aware Intent Learning) from a causal perspective. Particularly, CaDSI explicitly models the causal relations underlying recommendation task, and thus produces semantics-aware representations via disentangling users true intents aware of specific item context. Moreover, the causal intervention mechanism is designed to eliminate confounding bias stemmed from context information, which further to align the semantics-aware representation with users true intent. Extensive experiments and case studies both validate the robustness and interpretability of our proposed model.

研究の動機と目的

• 既存の分離表現手法が、ユーザー意図モデリングにおいて意味的文脈情報を取り入れられていないという限界を是正すること。
• アイテムの側面分布が偏っていること（例：監督や俳優の欠落）によって生じる交絡バイアスが、ユーザーの好み学習を歪めるのを軽減すること。
• 異種のユーザー・アイテムインタラクションデータにおいて、真のユーザー意図を交絡要因から分離する因果的根拠に基づいた枠組みを開発すること。
• ユーザー意図表現を特定のアイテム属性および文脈的特徴に明示的に関連付けることで、推薦の解釈可能性を向上させること。

提案手法

• ユーザー行動が真の意図と交絡要因（例：アイテムの人気度、側面の有無）の両方に影響を受ける因果グラフを構築する。
• 独立性制約を備えた変分オートエンコーダを用いて、ユーザー意図要因を交絡要因に影響を受ける表現から分離する分離表現学習モジュールを採用する。
• 交絡要因（例：側面の有無を固定値に設定すること）に対して因果的干渉を適用することで、バイアスのかかっている文脈から真の意図を分離する。
• 距離相関に基づく正則化を用いて、分離された意図要因と交絡要因の間の統計的独立性を強制し、頑健性を確保する。
• 異種情報ネットワーク（HIN）を活用して、メタパス（例：User-Movie-Actor-Movie-User）などを通じて、豊富な文脈を抽出し、意味的文脈に配慮した意図表現を支援する。
• 最終的な推薦は、分離済みの意味的文脈に配慮したユーザー意図埋め込みと、因果的文脈に配慮した特徴から導出されるアイテム表現を組み合わせることで生成する。

実験結果

リサーチクエスチョン

• RQ1 ユーザー行動、アイテムコンテキスト、交絡要因の間の因果関係をどのようにモデル化することで、バイアスのかかっている信号から真のユーザー意図を分離できるか？
• RQ2 意味的文脈に配慮した分離表現は、標準的な分離法やバイアス低減法と比較して、推薦の頑健性と解釈可能性をどの程度向上させるか？
• RQ3 交絡要因（例：側面の有無）に対して因果的干渉を施すことで、実世界のデータセットにおける偏ったアイテム属性分布に起因するバイアスを効果的に低減できるか？
• RQ4 異種情報（例：メタパス）を組み込むことで、推薦におけるユーザー意図表現の細分化された意味的特徴がどのように向上するか？

主な発見

• CaDSIは、アイテム側面の不均一な分布に起因する交絡バイアスの影響を低減することで、3つの実世界データセット（Douban Movie、Yelp、Amazon）における推薦性能を顕著に向上させた。
• 精度（例：Douban MovieではRecall@20で3.2%の向上）および公平性指標の両面で最先端の結果を達成し、人気度および露出バイアスに対して頑健であることが示された。
• 可視化結果から、分離されたユーザー意図表現が意味的に意味を持つことが確認され、特定のユーザーの好み（例：俳優好き、ジャンル好き）に対応する明確なクラスタが形成された。
• 因果的干渉機構により、欠落した側面情報などの交絡要因の影響が効果的に低減され、より安定的かつ信頼性の高い意図表現が得られた。
• アブレーションスタディの結果、分離モジュールまたは因果的干渉の両方を削除すると性能が著しく低下し、両者の必要性が裏付けられた。
• 本手法は、既存の分離ベースのモデル（例：MacridVAE、DICE）およびバイアス低減法（例：プロパティス再重み付け）を上回り、推薦品質および解釈可能性の両面で優れた性能を発揮した。