[論文レビュー] Deconfounded Causal Collaborative Filtering

Shuyuan Xu, Juntao Tan+3 more|arXiv (Cornell University)|Oct 14, 2021

Bayesian Modeling and Causal Inference被引用数 9

ひとこと要約

本稿では、因果推論におけるフロントドア調整を活用して協調フィルタリングにおける観測されない交絡要因を是正する、新しいフレームワークであるDeconfounded Causal Collaborative Filtering (DCCF) を提案する。ユーザー・アイテム相互作用を因果グラフでモデル化し、サンプルベースのフロントドア調整を適用することで、実世界のデータセットにおいて、古典的および既存の是正モデルを上回る優れた推薦性能を達成した。特に、露出確率が正確に推定されている場合に顕著な性能向上を示した。

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.

研究の動機と目的

• 推薦システムにおけるユーザーの好みの推定を歪める、ユーザーの気分や天候といった観測されない交絡要因の影響を是正する課題に対処すること。
• 各交絡要因を事前に特定する必要がなく、グローバルおよび個人の潜在的交絡要因を両方処理できる、汎用的かつモデルに依存しない是正フレームワークを開発すること。
• アイテムの露出とユーザーのフィードバックに両方影響を与える交絡要因によって生じる誤った相関を低減することで、推薦性能を向上させること。
• 露出確率の推定精度が是正済み推薦性能に与える影響を調査すること。
• 協調フィルタリングに因果推論技術を適用することで、より正確で頑健な好みの推定を実現すること。

提案手法

• 著者らは、交絡要因がアイテムの露出（処置）とユーザーのフィードバック（結果）に両方影響することを想定し、観測されない交絡要因を含むユーザー行動を因果グラフでモデル化した。
• フロントドア調整を適用して、アイテム露出がユーザー好みに与える是正済みの影響を推定し、観測されない交絡要因が存在する状況でも不偏推定を可能にした。
• 大規模なアイテム集合へのスケーリングを実現するため、全アイテム集合ではなくサブセットのアイテムについて調整を推定するサンプルベースのフロントドア調整手法を採用した。
• 露出確率は学習された関数でモデル化され、露出推定戦略（不偏、偏りあり、ランダム、一様）の違いによるモデルの性能を評価した。
• フロントドア調整の公式を組み込んだ変更済みの協調フィルタリング目的関数を用いて、是正済みの好みスコアを計算した。
• 実験では、歪んだデータ分割とランダムなデータ分割の両方の条件下で、DCCFを古典的協調フィルタリングおよび既存の是正モデルと比較した。

実験結果

リサーチクエスチョン

• RQ1 観測されない交絡要因を個別に特定する必要がなく、統一的な是正フレームワークが協調フィルタリングにおけるその影響を効果的に是正できるか？
• RQ2 露出確率の推定精度が是正済み推薦モデルの性能に与える影響は何か？
• RQ3 サンプルベースで適用されたフロントドア調整は、大規模なアイテム集合へのスケーリングを実現しつつ、推薦精度を維持できるか？
• RQ4 グローバルおよび個人の交絡要因が存在する状況において、DCCFは古典的協調フィルタリングおよび既存の是正モデルと比べてどのように性能を発揮するか？
• RQ5 異なるデータ分割戦略（例：歪んだ vs. ランダム）に一般化可能であり、その際も頑健な性能を維持できるか？

主な発見

• DCCFは、実世界のデータセットにおいて、古典的協調フィルタリングモデルおよび既存の是正モデルを上回り、歪んだデータ分割およびランダムなデータ分割の両方で、より高い推薦精度を示した。
• DCCFの性能は露出確率の推定精度に強く依存しており、最も正確なモデル（DCCF_Unbias）が最高のnDCG@5スコアを達成した。
• データから露出確率を推定する場合（DCCF_Bias）、サンプル数の増加に伴い一時的に性能が向上するが、やがてモデルのバイアスにより低下する傾向を示し、不正確な露出推定が是正に悪影響を及ぼすことが示された。
• ランダムおよび一様な露出モデル（DCCF_RandomおよびDCCF_Uniform）は、サンプルサイズの増加に伴い性能が単調に低下し、ノイズを導入しフロントドア調整を誤導することがわかった。
• 露出戦略ごとのモデル性能順位（DCCF_Unbias > DCCF_Bias > DCCF_Random/DCCF_Uniform）は、露出確率の推定精度の順位と一致しており、正確な露出モデリングが極めて重要であることを確認した。
• 結果から、正確な露出推定を伴うフロントドア調整により、グローバルおよび個人の観測されない交絡要因が効果的に是正され、より信頼性の高い好みの推定が可能になることが裏付けられた。