[논문 리뷰] Disentangling User Interest and Popularity Bias for Recommendation with Causal Embedding.

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

Recommender Systems and Techniques참고 문헌 46인용 수 14

한 줄 요약

이 논문은 인과 표현 프레임워크인 DICE를 제안하며, 사용자 관심사와 아이템 인기도 편향을 별개의 원인 특화 임베딩을 학습하여 분리함으로써 추천에서 이 둘을 분리한다. 원인 특화 샘플에서 학습하고 직접적인 분리 감독을 적용함으로써, DICE는 여러 데이터셋과 백본 모델에서 추천 성능을 향상시켜 최신 기준 대비 뛰어난 일반화 능력을 입증한다.

ABSTRACT

Recommendation models are usually trained on observational data. However, observational data exhibits various bias, such as popularity bias. Biased data results in a gap between online environment and offline evaluation, which makes it difficult to measure the real effect of recommendation. To bridge this gap, most existing methods exploit causal inference to eliminate the bias in historical observational data, e.g., by re-weighting training samples or leveraging a small fraction of unbiased data. However, different causes of an interaction are bundled together as a unified representation in these algorithms. In this paper, we present DICE, a general framework that learns representations where user interest and item popularity are structurally disentangled. We leverage separate embeddings for different causes, and make each embedding capture only one cause by training with cause-specific samples and imposing direct disentanglement supervision. Our algorithm outperforms state-of-the-art baselines with remarkable improvements on two real-world datasets with various backbone models. We further demonstrate that the learned embeddings successfully capture the desired causes.

연구 동기 및 목표

• 데이터 편향으로 인해 오프라인 평가와 온라인 구현 간 격차가 발생하는 추천 시스템 문제를 해결하기 위해.
• 기존 인과 추론 방법이 여러 원인을 단일 통합 표현으로 묶는 데서 비롯하는 한계를 극복하기 위해.
• 추천 표현에서 사용자 관심사와 아이템 인기도를 별개의 인과 요인으로 명시적으로 분리하기 위해.
• 모델 성능을 향상시키면서도 각 임베딩이 오직 하나의 인과 요인만 캡처하도록 보장하는 일반화 가능한 프레임워크를 개발하기 위해.

제안 방법

• DICE는 사용자 관심사와 아이템 인기도에 대해 별개의 임베딩을 도입하여 각각이 오직 하나의 인과 요인만 캡처하도록 보장한다.
• 특정 원인이 주요 원인인 샘플(예: 사용자 관심사가 주요 추진력인 샘플)에서 학습하며, 전용 임베딩 헤드를 사용한다.
• 대조 손실을 통해 직접적인 분리 감독을 적용하여 관심사 표현과 인기도 표현 간의 분리를 장려한다.
• 다양한 백본 모델과 호환되며, 기존 추천 아키텍처에 최소한의 수정으로 통합할 수 있다.
• 인과 추론 원리를 적용하여 데이터를 재가중하거나 재샘플링하여 각 원인의 영향을 고립시킨다.
• 추천 정확도와 분리 정확도를 균형 잡는 공동 목표를 통해 종합적으로 학습한다.

실험 결과

연구 질문

• RQ1 통합 임베딩 공간에서 사용자 관심사와 아이템 인기도를 추천에 효과적으로 분리할 수 있는가?
• RQ2 인과 요인을 분리하면 실세계 추천 환경에서 일반화 능력과 성능이 향상되는가?
• RQ3 정확도와 강건성 측면에서 DICE는 최신 기준 인과 추천 방법보다 어떻게 비교되는가?
• RQ4 학습된 임베딩이 다른 편향의 간섭 없이 오직 의도한 인과 요인만 정확히 캡처하는가?

주요 결과

• DICE는 두 개의 실세계 추천 데이터셋에서 최신 기준 대비 뚜렷한 성능 향상을 달성한다.
• 분리된 임베딩은 사용자 관심사와 아이템 인기도를 서로 겹치지 않는 별개의 요인으로 성공적으로 캡처한다.
• 다양한 백본 모델에서 뛰어난 성능을 유지하여 일반화 능력을 입증한다.
• 제거 실험을 통해 분리 감독이 인과 요인의 깔끔한 분리에 필수적임을 확인한다.
• 인기도 편향의 영향을 줄이면서도 사용자 선호 신호를 유지함으로써 더 공정한 추천을 가능하게 한다.
• 결과적으로 인과 요인을 분리함으로써 오프라인 및 온라인 환경 모두에서 더 신뢰할 수 있고 측정 가능한 모델 행동이 가능해짐을 보여준다.