[논문 리뷰] Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation

Xiangmeng Wang, Qian Li외 4명|arXiv (Cornell University)|2022. 02. 05.

Recommender Systems and Techniques인용 수 12

한 줄 요약

이 논문은 사용자 행동, 아이템 컨텍스트 및 혼란 요인 간의 인과관계를 모델링하여 의미 인식 능력이 뛰어나고 편향이 없는 사용자 의도 표현을 학습하는 새로운 인과 분리 프레임워크인 CaDSI를 제안한다. 인과 간섭과 분리된 표현 학습을 통합함으로써 CaDSI는 실세계 데이터셋에서 추천의 강건성과 해석 가능성 향상을 이룬다. 정확도 및 공정성 지표 모두에서 최신 기준 모델들을 능가한다.

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.

연구 동기 및 목표

• 기존의 분리된 표현 방법이 사용자 의도 모델링 시 의미 인식 능력 있는 컨텍스트 정보를 통합하지 못하는 한계를 해결하기 위해.
• 결측 감독자나 배우 등과 같은 왜곡된 아이템 측면 분포(예: 결측 감독자)로 인한 혼란 편향을 줄이기 위해.
• 이질적인 사용자-아이템 상호작용 데이터에서 진정한 사용자 의도를 혼란 요인의 영향으로부터 분리하는 인과 기반 프레임워크를 개발하기 위해.
• 사용자 의도 표현을 특정 아이템 특성 및 컨텍스트 특성에 명시적으로 연결함으로써 추천의 해석 가능성을 향상시키기 위해.

제안 방법

• CaDSI는 사용자 행동이 진정한 의도와 혼란 요인(예: 아이템 인기도, 측면 가용성 등)에 의해 영향을 받는 인과 그래프를 구성한다.
• 변동형 오토인코더에 독립성 제약 조건을 적용한 분리된 표현 학습 모듈을 사용하여, 사용자 의도 요인을 혼란 요인에 영향을 받는 표현으로부터 분리한다.
• 혼란 변수(예: 측면 존재 여부를 고정된 값으로 설정함)에 대한 인과 간섭 메커니즘을 적용하여, 편향된 컨텍스트로부터 진정한 의도를 분리한다.
• 분리된 의도 요소와 혼란 요소 간의 통계적 독립성을 강제하기 위해 거리 상관계수 기반 정규화를 사용하여 강건성을 확보한다.
• 이질적 정보 네트워크(HINs)를 활용하여 메타패스(예: User-Movie-Actor-Movie-User 등)와 같은 풍부한 컨텍스트를 추출하여 의미 인식 능력 있는 의도 표현을 지원한다.
• 최종 추천은 인과적 컨텍스트 인식 특징에서 유도된 아이템 표현과 분리된 의미 인식 능력 있는 사용자 의도 임베딩을 조합하여 생성된다.

실험 결과

연구 질문

• RQ1 사용자 행동, 아이템 컨텍스트 및 혼란 요인 간의 인과관계를 어떻게 모델링하여 편향된 신호에서 진정한 사용자 의도를 분리할 수 있는가?
• RQ2 의미 인식 능력 있는 분리된 표현은 표준 분리 또는 편향 감소 방법에 비해 추천의 강건성과 해석 가능성에 얼마나 향상시킬 수 있는가?
• RQ3 혼란 요인(예: 측면 가용성)에 대한 인과 간섭이 실세계 데이터셋에서 왜곡된 아이템 속성 분포로 인한 편향을 효과적으로 줄일 수 있는가?
• RQ4 이질적 정보(예: 메타패스)를 통합할 경우 추천에서 사용자 의도 표현의 세분화된 의미를 어떻게 향상시킬 수 있는가?

주요 결과

• CaDSI는 두드러진 아이템 측면 분포 불균형으로 인한 혼란 편향의 영향을 줄임으로써 세 개의 실세계 데이터셋(Douban Movie, Yelp, Amazon)에서 추천 성능을 크게 향상시켰다.
• 정확도(예: Douban Movie에서 Recall@20 기준 3.2% 향상)와 공정성 지표 모두에서 최신 기준 모델을 능가하는 최고 성능을 기록하여 인기도 및 노출 편향에 대한 강건성을 입증했다.
• 시각화 결과는 분리된 사용자 의도 표현이 의미적으로 의미 있는 것으로 확인되었으며, 특정 사용자 선호도(예: '배우 선호도' 또는 '장르 선호도')에 해당하는 명확한 클러스터가 존재함을 확인했다.
• 인과 간섭 메커니즘이 결측 측면 정보와 같은 혼란 요인의 영향을 효과적으로 줄여 더 안정적이고 신뢰할 수 있는 의도 표현을 도출했다.
• 제거 실험 결과, 분리 모듈 또는 인과 간섭을 제거할 경우 성능 저하가 심각하게 발생하여 두 구성 요소의 필요성을 입증했다.
• 기존의 분리 기반 모델(MacridVAE, DICE 등)과 편향 감소 방법(예: 적률 재가중)에 비해 추천 품질과 해석 가능성 모두에서 뛰어난 성능을 보였다.