[논문 리뷰] Disentangling User Interest and Conformity for Recommendation with Causal Embedding

Y. Zheng, Chen Gao외 4명|arXiv (Cornell University)|2020. 06. 19.

Recommender Systems and Techniques참고 문헌 45인용 수 16

한 줄 요약

이 논문은 사용자 관심과 수용성(Conformity)을 인과 임베딩 프레임워크인 DICE를 통해 분리하여 추천에서 학습하는 방법을 제안한다. 인과 추론을 통해 관심과 수용성에 해당하는 데이터를 추출함으로써, DICE는 다양한 백본 모델을 사용한 실세계 데이터셋에서 최신 기술(SOTA) 기준을 초월하는 강건성과 해석 가능성 향상을 달성한다.

ABSTRACT

Recommendation models are usually trained on observational interaction data. However, observational interaction data could result from users' conformity towards popular items, which entangles users' real interest. Existing methods tracks this problem as eliminating popularity bias, e.g., by re-weighting training samples or leveraging a small fraction of unbiased data. However, the variety of user conformity is ignored by these approaches, and different causes of an interaction are bundled together as unified representations, hence robustness and interpretability are not guaranteed when underlying causes are changing. In this paper, we present DICE, a general framework that learns representations where interest and conformity are structurally disentangled, and various backbone recommendation models could be smoothly integrated. We assign users and items with separate embeddings for interest and conformity, and make each embedding capture only one cause by training with cause-specific data which is obtained according to the colliding effect of causal inference. Our proposed methodology outperforms state-of-the-art baselines with remarkable improvements on two real-world datasets on top of various backbone models. We further demonstrate that the learned embeddings successfully capture the desired causes, and show that DICE guarantees the robustness and interpretability of recommendation.

연구 동기 및 목표

• 기존 방법들이 수용성을 정적이고 전역적인 인기 편향으로 간주하여 개인 사용자 간의 차이를 忽略하는 한계를 해결하기 위해.
• 수용성을 스칼라 편향 항목이 아닌, 사용자 및 아이템에 따라 달라지는 동적 인자로 모델링하기 위해.
• 실제 레이블이 없는 관찰 데이터를 사용하여 사용자 관심과 수용성에 대한 분리된 표현을 학습하기 위해.
• 비I-ID(Non-IID) 데이터 분포 하에서 추천의 강건성을 향상시키고, 분리된 인과 인자들을 통해 모델의 해석 가능성을 높이기 위해.
• 다양한 백본 추천 모델과 호환 가능한 일반적인 프레임워크를 개발하기 위해.

제안 방법

• 클릭 상호작용이 사용자 관심과 수용성에 의해 동시에 영향을 받는 콜라이더 구조를 가진 구조적 인과 모델(Structural Causal Model, SCM)을 구성한다.
• 인과 그래프에서 발생하는 콜라이더 효과를 활용하여 원인별 데이터를 식별함으로써, 주로 관심에 의해 영향을 받는 상호작용과 주로 수용성에 의해 영향을 받는 상호작용을 분리한다.
• 각각의 원인별 데이터를 사용하여 관심과 수용성에 대해 별도의 임베딩을 학습함으로써, 각 임베딩이 오직 하나의 기저 원인만을 반영하도록 보장한다.
• 다중 작업 커리큘럼 학습을 적용하여 관심과 수용성이 최종 추천 점수에 기여하는 비중을 균형 있게 조정하고 통합한다.
• 레이블이 필요 없는 간결한 덧셈형 인과 모델을 사용하여 클릭 예측을 관심과 수용성 구성요소로 분해함으로써, 레이블이 없는 환경에서도 분리가 가능하도록 한다.
• LightGCN, BPR, NeuMF 등 다양한 백본 모델과 호환 가능하므로 원활한 통합이 가능하다.

실험 결과

연구 질문

• RQ1 관찰된 상호작용 데이터만을 사용하여 추천에서 사용자 관심과 수용성을 효과적으로 분리할 수 있는가?
• RQ2 정적 인기 편향을 넘어서 사용자 및 아이템에 특화된 수용성을 어떻게 모델링할 수 있는가?
• RQ3 관심과 수용성을 분리함으로써 추천 성능, 강건성, 해석 가능성에 향상이 이루어지는가?
• RQ4 제안된 인과 프레임워크는 다양한 백본 추천 모델에 일반화 가능한가?
• RQ5 학습된 임베딩이 사용자 상호작용의 진정한 기저 원인을 어떻게 반영하는가?

주요 결과

• DICE는 두 개의 실세계 데이터셋에서 다양한 백본 모델에 대해 최신 기술(SOTA) 기준을 뛰어넘는 유의미하고 일관된 성능 향상을 달성한다.
• 비I-ID 데이터 분포 하에서도 뛰어난 강건성을 보이며, 분포 외 일반화 성능에서 기존 기준을 능가한다.
• 분석 결과 관심과 수용성 임베딩 간의 상관관계가 낮아, 성공적인 분리가 이루어졌음을 확인한다.
• 학습된 임베딩는 매우 해석 가능하여 관심 및 수용성 점수 기반으로 명확한 설명을 제공할 수 있다.
• 다양한 추천 모델에서 뛰어난 성능 유지를 보이며, 이는 프레임워크의 일반화 능력과 유연성을 입증한다.
• 인과 추론을 통한 원인별 데이터 추출 기법을 활용함으로써, 관심 또는 수용성에 대한 진정한 레이블이 없더라도 효과적인 분리를 가능하게 한다.