[논문 리뷰] Deconfounded Causal Collaborative Filtering

Shuyuan Xu, Juntao Tan외 3명|arXiv (Cornell University)|2021. 10. 14.

Bayesian Modeling and Causal Inference인용 수 9

한 줄 요약

이 논문은 공변량(confounders)이 없는 협업 필터링에서의 편향을 제거하기 위해 원인추론의 전면 조정(front-door adjustment)을 활용하는 새로운 프레임워크인 Deconfounded Causal Collaborative Filtering(DCCF)을 제안한다. 사용자-아이템 상호작용을 원인도표로 모델링하고 표본 기반 전면 조정을 적용함으로써, 실제 데이터셋에서 기존의 고전적 모델과 기존의 비편향 모델보다 뛰어난 추천 성능을 달성한다. 특히 노출 확률가정이 정확할 경우 성능 향상이 두드러진다.

ABSTRACT

Recommender systems may be confounded by various types of confounding factors (also called confounders) that may lead to inaccurate recommendations and sacrificed recommendation performance. Current approaches to solving the problem usually design each specific model for each specific confounder. However, real-world systems may include a huge number of confounders and thus designing each specific model for each specific confounder could be unrealistic. More importantly, except for those ``explicit confounders'' that experts can manually identify and process such as item's position in the ranking list, there are also many ``latent confounders'' that are beyond the imagination of experts. For example, users' rating on a song may depend on their current mood or the current weather, and users' preference on ice creams may depend on the air temperature. Such latent confounders may be unobservable in the recorded training data. To solve the problem, we propose Deconfounded Causal Collaborative Filtering (DCCF). We first frame user behaviors with unobserved confounders into a causal graph, and then we design a front-door adjustment model carefully fused with machine learning to deconfound the influence of unobserved confounders. Experiments on real-world datasets show that our method is able to deconfound unobserved confounders to achieve better recommendation performance.

연구 동기 및 목표

• 추천 시스템에서 사용자 기분이나 날씨와 같은 관측되지 않은 공변량이 사용자-아이템 선호도 추정을 편향시키는 문제를 해결하기 위해.
• 각 공변량을 수동으로 특정할 필요 없이 전역 및 개인 잠재 공변량을 모두 다룰 수 있는 보편적이고 모델에 종속되지 않는 비편향 프레임워크를 개발하기 위해.
• 공변량이 아이템 노출과 사용자 피드백에 모두 영향을 주는 인과관계로 인해 발생하는 허위 상관관계를 완화함으로써 추천 성능을 향상시키기 위해.
• 노출 확률 추정 정확도가 비편향 추천 성능에 미치는 영향을 조사하기 위해.
• 협업 필터링에 인과추론 기법을 적용하여 더 정확하고 강건한 선호도 추정을 가능하게 하기 위해.

제안 방법

• 저자는 원인도표를 사용하여 관측되지 않은 공변량이 있는 사용자 행동을 모델링하며, 여기서 공변량은 아이템 노출(치료)와 사용자 피드백(결과)에 모두 영향을 준다.
• 표본 기반 전면 조정을 적용하여 아이템 노출이 사용자 선호도에 미치는 비편향된 영향을 추정함으로써, 관측되지 않은 공변량이 존재하더라도 편향 없는 추정이 가능해진다.
• 대규모 아이템 세트에 적용하기 위해, 전체 아이템 세트가 아닌 부분 집합에 대해 조정을 추정하는 표본 기반 전면 조정 방법을 사용한다.
• 노출 확률은 학습된 함수로 모델링되며, 다양한 노출 추정 전략(비편향, 편향, 무작위, 균일) 하에서 모델 성능을 평가한다.
• 전면 조정 공식을 통합한 수정된 협업 필터링 목표함수를 통해 비편향된 선호도 점수를 계산한다.
• 실험에서는 DCCF를 고전적 협업 필터링 모델과 기존의 비편향 모델과 비교하며, 비대칭적이고 무작위 데이터 분할 조건 하에서 평가한다.

실험 결과

연구 질문

• RQ1 각 공변량을 사전에 특정할 필요 없이 통합된 비편향 프레임워크가 관측되지 않은 공변량의 영향을 효과적으로 완화할 수 있는가?
• RQ2 노출 확률 추정 정확도가 비편향 추천 모델 성능에 어떤 영향을 미치는가?
• RQ3 표본 기반으로 적용된 전면 조정이 대규모 아이템 세트에 대해 확장되면서도 추천 정확도를 유지할 수 있는가?
• RQ4 전역 및 개인 공변량이 존재할 경우 DCCF는 고전적 협업 필터링 모델과 기존의 비편향 모델보다 어떻게 성능을 내는가?
• RQ5 다양한 데이터 분할 전략(예: 비대칭 대비 무작위)에 대해 일반화 가능할 수 있으며, 강건한 성능을 유지할 수 있는가?

주요 결과

• DCCF는 실제 데이터셋에서 고전적 협업 필터링 모델과 기존의 비편향 모델을 모두 능가하며, 비대칭적이고 무작위 데이터 분할 조건 하에서도 더 높은 추천 정확도를 보였다.
• DCCF 성능은 노출 확률 추정 정확도에 매우 민감하며, 가장 정확한 모델(DCCF_Unbias)이 nDCG@5 점수를 가장 높게 기록했다.
• 데이터에서 노출 확률을 추정한 경우(DCCF_Bias), 더 많은 아이템을 샘플링할수록 성능이 일시적으로 향상되지만, 점차로 모델 편향으로 인해 성능이 저하됨을 확인하여, 정확하지 않은 노출 추정이 비편향에 악영향을 준다는 것을 시사한다.
• 무작위 및 균일 노출 모델(DCCF_Random 및 DCCF_Uniform)은 샘플 크기가 증가할수록 성능이 일관되게 감소하며, 이는 노이즈를 유발하고 전면 조정을 잘못 이끌 수 있음을 의미한다.
• 노출 전략에 따른 모델 성능 순서(DCCF_Unbias > DCCF_Bias > DCCF_Random/DCCF_Uniform)는 노출 확률 정확도 순서와 일치하며, 정확한 노출 모델링이 핵심임을 확인한다.
• 결과는 정확한 노출 추정과 함께 전면 조정을 적용함으로써 전역 및 개인 관측되지 않은 공변량을 효과적으로 비편향화할 수 있으며, 이는 더 신뢰할 수 있는 선호도 추정을 가능하게 한다는 것을 검증한다.