[論文レビュー] Causal Inference in Recommender Systems: A Survey and Future Directions

Chen Gao, Yu Zheng+4 more|arXiv (Cornell University)|Aug 26, 2022

Advanced Graph Neural Networks被引用数 24

ひとこと要約

本調査は因果推論が推奨システムにどのように適用されるかを体系的にレビューし、アプローチの分類と今後の研究方向を概説します。

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.

研究の動機と目的

• 推奨システムにおいて因果推論がなぜ必要か、そしてそれが推奨をどう強化できるかを説明する。
• データデバイアス除去、データ拡張/ノイズ除去、解釈可能/制御可能なモデルの三軸で方法を分類して既存研究をレビューする。
• 未解決の問題を議論し、因果推論に基づく推奨システムにおける有望な将来の方向性を提案する。

提案手法

• 推奨システムと因果推論の基礎概念（SCMとポテンシャルアウトカム）を紹介する。
• 一般的な因果効果推定技術（バックドア調整、フロントドア調整、IPW）と因果発見アプローチを説明する。
• RecSysにおいて因果推論が対処できる三つの側面の課題（データバイアス、データ欠損/ノイズ、精度を超える目的）の分類を提示する。
• 因果グラフの構築がデバイアス除去、反事実推論、制御可能/解釈可能なモデルを可能にする仕組みを説明する。
• 因果性主導の推奨における未解決問題と今後の研究方向の批判的な議論を提供する。

実験結果

リサーチクエスチョン

• RQ1 推奨システムに関連する核心的な因果推論概念（SCM、ポテンシャルアウトカム、反事実）とは何か、そしてそれらがRecSysの問題へどのように翻訳されるか。
• RQ2 因果推論はデータバイアス、欠損データ/ノイズ、精度を超える目的（例：公正性、多様性、説明可能性）を推奨システムでどう解決できるか。
• RQ3 因果性を意識した推奨システムを構築するための推奨される方法論的路線（デバイアス除去、データ拡張、解釈可能なモデル）
• RQ4 を構築するための
• RQ5 What are the open challenges and future directions in the field of causality-driven recommendation?

主な発見

• 本論文は因果推論駆動の推奨システムに関する最初の体系的な調査を提供する。
• 既存研究を因果グラフを通じたデータデバイアス除去、データ拡張/ノイズ除去、解釈可能/制御可能な推奨へ分類している。
• バックドア調整／フロントドア調整とIPWがRecSys設定で因果効果を推定する方法を説明している。
• 因果推論が制御可能なモデルを可能にすることで多様性や公正性などの精度を超える目的を改善できると論じている。
• 未解決の問題を特定し、今後数年間の有望な方向性を示している。