[論文レビュー] Mitigating Hidden Confounding Effects for Causal Recommendation

Xinyuan Zhu, Yang Zhang+4 more|arXiv (Cornell University)|May 16, 2022

Recommender Systems and Techniques被引用数 8

ひとこと要約

本稿では、観察されない交絡要因による因果推薦のバイアスを軽減するため、識別可能な媒介要因を介してアイテム特徴がユーザーフィードバックに与える因果効果を分解するフロントドア調整を活用した隠れ交絡要因除去（HCR）フレームワークを提案する。実験的結果により、HCRは、3つの実世界データセットにおいて、特に活動が少ないユーザーユーザーに対して推薦精度を向上させることを示している。

ABSTRACT

Recommender systems suffer from confounding biases when there exist confounders affecting both item features and user feedback (e.g., like or not). Existing causal recommendation methods typically assume confounders are fully observed and measured, forgoing the possible existence of hidden confounders in real applications. For instance, product quality is a confounder since affecting both item prices and user ratings, but is hidden for the third-party e-commerce platform due to the difficulty of large-scale quality inspection; ignoring it could result in the bias effect of over-recommending high-price items. This work analyzes and addresses the problem from a causal perspective. The key lies in modeling the causal effect of item features on a user's feedback. To mitigate hidden confounding effects, it is compulsory but challenging to estimate the causal effect without measuring the confounder. Towards this goal, we propose a Hidden Confounder Removal (HCR) framework that leverages front-door adjustment to decompose the causal effect into two partial effects, according to the mediators between item features and user feedback. The partial effects are independent from the hidden confounder and identifiable. During training, HCR performs multi-task learning to infer the partial effects from historical interactions. We instantiate HCR for two scenarios and conduct experiments on three real-world datasets. Empirical results show that the HCR framework provides more accurate recommendations, especially for less-active users. We will release the code once accepted.

研究の動機と目的

• アイテム特徴とユーザーフィードバックに影響を与えるが観察されない交絡要因（例：製品の品質やニュースイベント）の影響を受けるが、その影響を正しく特定できない推薦システムにおける、隠れ交絡要因の重大な課題に対処すること。
• 既存のバックドア調整や逆確率重み付けに基づく手法に依存するのではなく、隠れ交絡要因の直接測定を必要としない汎用的な因果推薦フレームワークの開発。
• 観察されない交絡要因が存在する中で、介入分布 $ P(L|U, do(I)) $ — すなわち、アイテム特徴がユーザーフィードバックに与える因果効果 — の正確な推定を可能にすること。
• 隠れ交絡要因によって生じる誤った相関（例：測定されていない品質要因により高価格のアイテムが過剰に推薦される）を除去することで、推薦の公平性と耐性を向上させること。

提案手法

• HCRフレームワークは、アイテム特徴 $ I $ がユーザーフィードバック $ L $ に与える総因果効果を、2つの識別可能な部分効果に分解するためフロントドア調整を適用する：$ P(M|U, do(I)) $（$ I $ が媒介要因 $ M $ に与える効果）と $ P(L|U, do(M)) $（$ M $ が $ L $ に与える効果）。
• ユーザーフィードバックとアイテム特徴の間の因果的ブリッジとして、ユーザー・アイテム相互作用信号（例：クリック）や中間フィードバックなどの媒介要因 $ M $ が特定される。
• 訓練中にマルチタスク学習を実施し、観察されたデータから2つの部分効果を同時に推定する。この際、隠れ交絡要因 $ V $ を観察する必要はなく、条件付き確率のみに依存する。
• HCRはモデルに依存せず、eコマースおよびマイクロ動画推薦のMMGCNモデルに適用可能であり、異なる推薦シナリオへの適応性を示している。
• 本手法は隠れ交絡要因 $ V $ を明示的にモデル化せず、代わりに媒介によって背後パス $ I ightarrow V ightarrow L $ を遮断するフロントドア基準に依存する。
• フレームワークは、両方の部分効果が隠れ交絡要因と独立しており、観察データのみから推定可能であることを保証する。

実験結果

リサーチクエスチョン

• RQ1 観察されない交絡要因が存在し、直接測定できない状況下でも、アイテム特徴がユーザーフィードバックに与える因果効果を推定できるか？
• RQ2 隠れ交絡要因が存在する推薦システムにおいて、バックドア調整やIPWに代わるフロントドア調整が有効な代替手段となるか？
• RQ3 提案されたHCRフレームワークは、隠れ交絡要因が存在する中で、特に活動が少ないユーザーユーザーに対して、推薦精度と公平性を向上させることができるか？
• RQ4 アイテム特徴とユーザーフィードバックの間の媒介要因が、隠れ交絡要因を観察しない状況でも因果効果の同定を可能にする仕組みは何か？
• RQ5 HCRは、測定されていない製品品質に起因する高価格アイテムの過剰推薦といった誤った相関をどの程度軽減できるか？

主な発見

• HCRはフロントドア調整を活用することで、交絡要因を観察しなくても、$ P(L|U, do(I)) $ の推定が可能となり、隠れ交絡要因バイアスを効果的に軽減した。
• 3つの実世界データセットにおける実験的評価により、HCRは推薦精度を向上させたが、特に活動が少ないユーザーユーザーにおいて顕著な性能向上が見られた。
• バックドア調整やIPWに依存する既存の因果推薦手法は、交絡要因が観察されない場合に失敗するが、HCRはそのような状況でも優れた性能を示した。
• HCRのマルチタスク学習アプローチにより、観察された履歴相互作用から、$ P(M|U, do(I)) $ と $ P(L|U, do(M)) $ の2つの部分効果を、交絡要因の直接測定なしに効果的に学習できた。
• 本手法は、eコマースやマイクロ動画推薦を含むさまざまな推薦シナリオにおいても安定した性能を示し、特定のモデルアーキテクチャに依存しない汎用性を示した。
• 結果から、隠れ交絡要因の影響を除去することで、より公平で信頼性の高い推薦が可能になることが検証された。特に、測定されていない品質要因に起因する誤った相関（例：高価格アイテムの過剰推薦）が低減された。