[논문 리뷰] Causal Inference in Recommender Systems: A Survey and Future Directions

Chen Gao, Yu Zheng외 4명|arXiv (Cornell University)|2022. 08. 26.

Advanced Graph Neural Networks인용 수 24

한 줄 요약

본 설문조사는 추천 시스템에 인과 추론이 어떻게 적용되는지에 대한 체계적 고찰을 제공하고, 접근 방식의 분류 체계와 향후 연구 방향을 제시한다.

ABSTRACT

Recommender systems have become crucial in information filtering nowadays. Existing recommender systems extract user preferences based on the correlation in data, such as behavioral correlation in collaborative filtering, feature-feature, or feature-behavior correlation in click-through rate prediction. However, unfortunately, the real world is driven by causality, not just correlation, and correlation does not imply causation. For instance, recommender systems might recommend a battery charger to a user after buying a phone, where the latter can serve as the cause of the former; such a causal relation cannot be reversed. Recently, to address this, researchers in recommender systems have begun utilizing causal inference to extract causality, thereby enhancing the recommender system. In this survey, we offer a comprehensive review of the literature on causal inference-based recommendation. Initially, we introduce the fundamental concepts of both recommender system and causal inference as the foundation for subsequent content. We then highlight the typical issues faced by non-causality recommender system. Following that, we thoroughly review the existing work on causal inference-based recommender systems, based on a taxonomy of three-aspect challenges that causal inference can address. Finally, we discuss the open problems in this critical research area and suggest important potential future works.

연구 동기 및 목표

• 추천 시스템에서 인과 추론이 왜 필요한지 설명하고, 이를 통해 추천을 어떻게 향상시킬 수 있는지 제시한다.
• 데이터 편향 제거, 데이터 증강/노이즈 제거, 해석 가능하고 제어 가능한 모델 등 방법을 분류하여 기존 연구를 검토한다.
• 해결되지 않은 문제를 논의하고 인과 기반 추천 시스템에서 유망한 향후 방향을 제안한다.

제안 방법

• 추천 시스템과 인과 추론의 기초 개념(SCM 및 잠재적 결과)을 소개한다.
• 일반적인 인과 효과 추정 기법(백도어 조정, 프론트도어 조정, IPW) 및 인과 발견 방법을 설명한다.
• RecSys에서 인과 추론이 해결할 수 있는 세 가지 측면의 도전 과제에 대한 분류를 제시한다(데이터 편향, 데이터 누락/노이즈, 정확도 외 목표).
• 인과 그래프를 구성하는 것이 어떻게 편향 제거, 반사실적 추론, 그리고 제어 가능하고 해석 가능한 모델을 가능하게 하는지 설명한다.
• 인과를 활용한 추천 시스템에서의 미해결 문제와 향후 연구 방향에 대한 비판적 논의를 제공한다.

실험 결과

연구 질문

• RQ1 추천 시스템과 관련된 핵심 인과 추론 개념(SCM, 잠재적 결과, 반사실들)이 무엇이며 이것들이 RecSys 문제에 어떻게 적용되는가?
• RQ2 인과 추론이 데이터 편향, 결측 데이터/노이즈, 정확도 외 목표(예: 공정성, 다양성, 설명 가능성)를 추천 시스템에서 어떻게 다룰 수 있는가?
• RQ3 권장되는 방법론적 경로(편향 제거, 증강, 해석 가능한 모델)로 인과성 인식 추천 시스템을 구축하려면 어떤 경로를 따라야 하는가?
• RQ4 인과 기반 추천 분야의 미해결 과제와 향후 방향은 무엇인가?

주요 결과

• 본 논문은 인과 기반 추천 시스템에 대한 최초의 체계적 고찰을 제공합니다.
• 데이터 편향 제거, 데이터 증강/노이즈 제거, 그리고 인과 그래프를 통한 해석 가능하고 제어 가능한 추천으로 기존 연구를 분류합니다.
• 백도어/프론트도어 조정과 IPW가 RecSys 설정에서 인과 효과를 추정하는 데 어떻게 사용되는지 설명합니다.
• 인과 추론이 제어 가능한 모델을 가능하게 하여 다양성, 공정성 등 정확도 외 목표를 개선할 수 있는 방법을 논의합니다.
• 향후 수년간의 미해결 문제를 식별하고 유망한 향후 방향을 제안합니다.