[論文レビュー] On the Opportunity of Causal Learning in Recommendation Systems: Foundation, Estimation, Prediction and Challenges

Peng Wu, Haoxuan Li+7 more|arXiv (Cornell University)|Jan 18, 2022

Recommender Systems and Techniques被引用数 9

ひとこと要約

本稿は、潜在的アウトカムモデルに基づく包括的な因果分析フレームワークを提案し、因果推定量を形式化し、仮定の破れによるバイアスを同定し、因果推定に適した統計的・機械学習的手法を調査する。これは、バイアス除去と予測タスクのための厳密な基盤を提供し、データ統合、逐次推薦、公平性、干渉に関する新たな研究方向性を提示する。

ABSTRACT

Recently, recommender system (RS) based on causal inference has gained much attention in the industrial community, as well as the states of the art performance in many prediction and debiasing tasks. Nevertheless, a unified causal analysis framework has not been established yet. Many causal-based prediction and debiasing studies rarely discuss the causal interpretation of various biases and the rationality of the corresponding causal assumptions. In this paper, we first provide a formal causal analysis framework to survey and unify the existing causal-inspired recommendation methods, which can accommodate different scenarios in RS. Then we propose a new taxonomy and give formal causal definitions of various biases in RS from the perspective of violating the assumptions adopted in causal analysis. Finally, we formalize many debiasing and prediction tasks in RS, and summarize the statistical and machine learning-based causal estimation methods, expecting to provide new research opportunities and perspectives to the causal RS community.

研究の動機と目的

• 潜在的アウトカムフレームワークを用いて、推薦システム（RS）の包括的因果分析フレームワークを確立すること。
• 標準的な因果仮定の破れとして、RSにおけるさまざまなバイアスを形式的に定義し、明確さと理論的基盤を向上させること。
• RSにおける既存のバイアス除去および予測手法の背後にある仮定を明確にし、選択バイアスと交絡バイアスを区別すること。
• RSタスクに適用可能な統計的および機械学習ベースの因果推定技術を体系的に調査・分類すること。
• 因果RSにおける未解決の研究的課題を特定・議論すること。特に、データ統合、逐次推薦、公平性、干渉に関する課題を対象とする。

提案手法

• 潜在的アウトカムフレームワークを用いて、何が推定されているか、どのような目的で推定されているかを明確化するため、因果推定量を定義する。
• 観測データ下での推定量の回復可能性を分析し、妥当な仮定のもとで一貫した推定子が得られるかを評価する。
• 特定の因果仮定（例：無視可能性、交和性、SUTVA）の破れとしてRSにおけるバイアスを分類し、形式的な因果的定義を提供する。
• 因果推定手法を調査・分類し、アウトカム回帰、逆確率重み付け（IPW）、二重にロバストな推定子、および最新のMLベースの学習者（例：R-learner、X-learner、DR-learner）を含む。
• CTR/CVR予測、アップリフトモデリング、ポリシー学習などの古典的RSタスクにこのフレームワークを適用する。
• 現在の課題（例：データ統合、公平性、干渉）を因果フレームワークにマッピングすることで、未解決の研究方向性を提案する。

実験結果

リサーチクエスチョン

• RQ1 推薦システムにおいて、科学的問いが明確にされるように、形式的な因果推定量をどのように定義できるか？
• RQ2 RSでよく見られる因果仮定は何か。それらの破れは、どのようなタイプのバイアスを引き起こすか？
• RQ3 RSにおける既存のバイアス除去手法の理論的根拠は何か。それらの仮定を明示的に表現できるか？
• RQ4 統計的および機械学習ベースの因果推定手法を、RSの予測およびバイアス除去タスクに体系的かつ適切に適用する方法は何か？
• RQ5 因果推論をRSに拡張するにあたり、特に逐次的・公平性・干渉を伴う状況において、どのような主要な未解決課題が存在するか？

主な発見

• 本稿は、潜在的アウトカムモデルを用いて、推薦システムにおける因果推定量と回復可能性を明確化する包括的因果分析フレームワークを形式化した。
• 無視可能性、交和性、SUTVAなどの重要な仮定の破れとして、RSにおけるバイアスの形式的因果的定義を提供した。
• 仮定の破れを分析することで、RSにおける選択バイアスと交絡バイアスを明確に区別した。
• アウトカム回帰、IPW、DR、およびR-learnerやX-learnerなどの最新のMLベースの学習者を含む、包括的な因果推定手法の調査と分類を実施した。
• 非遵守、干渉、ポリシー学習などの古典的RSタスクを、厳密に形式化するためのフレームワークを適用した。
• データ統合、逐次的推薦、社会的干渉下の公平性、およびソーシャルネットワークにおける干渉といった、主要な未解決の研究方向性を特定・形式化した。