[論文レビュー] Disentangling User Interest and Conformity for Recommendation with Causal Embedding

Y. Zheng, Chen Gao+4 more|arXiv (Cornell University)|Jun 19, 2020

Recommender Systems and Techniques参考文献 45被引用数 16

ひとこと要約

本稿では、ユーザーの関心と適合性を分離するため、原因固有の埋め込みを学習することで、関連性と適合性を分離する因果埋め込みフレームワークDICEを提案する。因果推論を用いて関心と適合性のためのデータを抽出することで、DICEは耐性と解釈可能性を向上させ、実世界のデータセットにおいて複数のバックボーンモデルで最先端のベースラインを上回る性能を発揮する。

ABSTRACT

Recommendation models are usually trained on observational interaction data. However, observational interaction data could result from users' conformity towards popular items, which entangles users' real interest. Existing methods tracks this problem as eliminating popularity bias, e.g., by re-weighting training samples or leveraging a small fraction of unbiased data. However, the variety of user conformity is ignored by these approaches, and different causes of an interaction are bundled together as unified representations, hence robustness and interpretability are not guaranteed when underlying causes are changing. In this paper, we present DICE, a general framework that learns representations where interest and conformity are structurally disentangled, and various backbone recommendation models could be smoothly integrated. We assign users and items with separate embeddings for interest and conformity, and make each embedding capture only one cause by training with cause-specific data which is obtained according to the colliding effect of causal inference. Our proposed methodology outperforms state-of-the-art baselines with remarkable improvements on two real-world datasets on top of various backbone models. We further demonstrate that the learned embeddings successfully capture the desired causes, and show that DICE guarantees the robustness and interpretability of recommendation.

研究の動機と目的

• 既存手法が適合性を静的でグローバルな人気バイアスとして扱うという限界に対処すること。
• スカラーバイアス項ではなく、ユーザーおよびアイテム固有の要因として適合性を動的かつ個別にモデル化すること。
• 教師なしラベルが存在する観測データから、ユーザー関心と適合性の分離表現を学習すること。
• 非IIDデータ分布下での推薦の耐性を向上させるとともに、分離された因果要因を通じてモデルの解釈可能性を高めること。
• さまざまなバックボーン推薦モデルと互換性を持つ汎用フレームワークの開発

提案手法

• クリック相互作用がユーザー関心と適合性の両方によって引き起こされるコリダー構造を持つ構造的因果モデル（SCM）をフレームワークが構築する。
• 因果グラフにおけるコリダー効果を活用することで、関心によって主に引き起こされる相互作用と適合性によって主に引き起こされる相互作用を分離し、原因固有のデータを同定する。
• それぞれの原因固有のデータを用いて、関心と適合性のための別々の埋め込みを学習し、各埋め込みが1つの潜在的要因のみを捉えるように保証する。
• マルチタスクカリキュラム学習を用いて、最終的な推薦スコアにおける関心と適合性の寄与をバランスさせ、統合する。
• 教師なしラベルが不要な簡潔な加法的因果モデルを採用し、関心と適合性のコンポonentにクリック予測を分解することで、分離を実現する。
• LightGCN、BPR、NeuMFなどのさまざまなバックボーンモデル（例：）と互換性があり、スムーズな統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 観測された相互作用データのみを用いて、推薦においてユーザー関心と適合性を効果的に分離できるか？
• RQ2 静的で人気バイアスを超えて、ユーザー固有およびアイテム固有の適合性をどのようにモデル化できるか？
• RQ3 関心と適合性の分離が、推薦性能、耐性、解釈可能性を向上させるか？
• RQ4 提案された因果フレームワークは、さまざまなバックボーン推薦モデルに一般化可能か？
• RQ5 学習された埋め込みは、ユーザー相互作用の真の潜在的要因をどのように反映しているか？

主な発見

• DICEは、2つの実世界のデータセットにおいて、複数のバックボーンモデルで最先端のベースラインを顕著かつ一貫して上回る性能を達成する。
• 非IIDデータ分布下でも優れた耐性を示し、分布外一般化性能においてベースラインを上回る。
• 分析により、関心と適合性の埋め込みはほとんど独立しており、成功した分離が裏付けられた。
• 学習された埋め込みは非常に解釈可能であり、関心スコアと適合性スコアに基づいた明確な説明が可能である。
• さまざまな推薦モデルにおいても強力な性能を維持しており、フレームワークの汎用性と柔軟性を実証した。
• 因果推論を用いた原因固有のデータ抽出により、関心や適合性の真のラベルがなくても、効果的な分離が可能である。