[논문 리뷰] On the Opportunity of Causal Learning in Recommendation Systems: Foundation, Estimation, Prediction and Challenges

Peng Wu, Haoxuan Li외 7명|arXiv (Cornell University)|2022. 01. 18.

Recommender Systems and Techniques인용 수 9

한 줄 요약

이 논문은 잠재적 결과 모델 기반으로 추천 시스템(RS)을 위한 통합된 인과 분석 프레임워크를 제안하며, 인과 추정량을 형식화하고, 위반된 가정을 통해 편향을 규명하며, 인과 추정에 적합한 통계적 및 기계학습 기법을 조사한다. 이는 탈편향화 및 예측 작업을 위한 엄밀한 기초를 제공하며, 데이터 융합, 순차적 추천, 공정성, 간섭성과 같은 새로운 연구 방향을 제시한다.

ABSTRACT

Recently, recommender system (RS) based on causal inference has gained much attention in the industrial community, as well as the states of the art performance in many prediction and debiasing tasks. Nevertheless, a unified causal analysis framework has not been established yet. Many causal-based prediction and debiasing studies rarely discuss the causal interpretation of various biases and the rationality of the corresponding causal assumptions. In this paper, we first provide a formal causal analysis framework to survey and unify the existing causal-inspired recommendation methods, which can accommodate different scenarios in RS. Then we propose a new taxonomy and give formal causal definitions of various biases in RS from the perspective of violating the assumptions adopted in causal analysis. Finally, we formalize many debiasing and prediction tasks in RS, and summarize the statistical and machine learning-based causal estimation methods, expecting to provide new research opportunities and perspectives to the causal RS community.

연구 동기 및 목표

• 잠재적 결과 프레임워크를 사용하여 추천 시스템(RS)을 위한 통합된 인과 분석 프레임워크를 수립하기.
• 기존의 표준 인과 가정 위반으로서 RS 내 다양한 편향을 공식적으로 정의하여 명확성과 이론적 기반을 향상시키기.
• RS 내 기존 탈편향 및 예측 방법의 배경 가정을 명확히 하여 선택 편향과 혼동 편향을 구분하기.
• RS 작업에 적용 가능한 통계적 및 기계학습 기반 인과 추정 기법을 조사하고 체계화하기.
• 인과 RS 분야의 열린 연구 과제를 특정하고 논의하기 — 예를 들어, 데이터 융합, 순차적 추천, 공정성, 간섭성 등.

제안 방법

• 잠재적 결과 프레임워크를 사용해 인과 추정량을 정의하여 무엇이 추정되고 있으며, 그 목적은 무엇인지 명확히 하기.
• 관측된 데이터 하에서 추정량의 복원 가능성 분석을 통해 일관된 추정기의 유도 가능성 여부를 평가함.
• 특정 인과 가정(예: 무시 가능성, 비혼동성, SUTVA 등) 위반으로서 RS 내 편향을 분류하고 공식적인 인과 정의를 제공하기.
• 인과 추정 방법을 조사하고 분류하기 — 예를 들어, 결과 회귀, 역확률가중법, 이중로버스트 추정기, 그리고 현대적인 기계학습 기반 학습기(예: R-learner, X-learner, DR-learner) 포함.
• 기존 RS 과제들(예: CTR/CVR 예측, 업적 모델링, 정책 학습 등)에 프레임워크를 적용하기.
• 현재 과제들(예: 데이터 융합, 공정성, 간섭성 등)을 인과 프레임워크에 매핑하여 열린 연구 방향 제안하기.

실험 결과

연구 질문

• RQ1 추천 시스템에서 과학적 질문을 명확히 하기 위해 공식적인 인과 추정량을 어떻게 정의할 수 있는가?
• RQ2 RS에서 흔히 위반되는 인과 가정은 무엇이며, 이러한 위반은 어떤 유형의 편향으로 이어지는가?
• RQ3 기존 RS 탈편향 방법의 이론적 기초는 무엇이며, 그 가정을 어떻게 명시적으로 드러낼 수 있는가?
• RQ4 통계적 및 기계학습 기반 인과 추정 기법을 RS 예측 및 탈편향 과제에 어떻게 체계적으로 적용할 수 있는가?
• RQ5 인과 추론을 RS에 확장할 때의 주요 열린 과제는 무엇이며, 특히 순차적, 공정성, 간섭성에 영향을 받는 환경에서 어떤 과제가 존재하는가?

주요 결과

• 논문은 잠재적 결과 모델을 기반으로 하여 RS 내 인과 추정량과 복원 가능성의 명확화를 통해 통합된 인과 분석 프레임워크를 형식화한다.
• 무시 가능성, 비혼동성, SUTVA와 같은 핵심 가정의 위반으로서 RS 내 편향의 공식적인 인과 정의를 제공한다.
• 선택 편향과 혼동 편향을 그 배경 가정 위반 분석을 통해 RS 내에서 명확히 구분한다.
• 결과 회귀, IPW, DR, 그리고 R-learner, X-learner와 같은 현대적인 기계학습 기반 학습기까지 포함한 포괄적인 인과 추정 기법의 조사를 수행한다.
• 비준수, 간섭성, 정책 학습과 같은 전통적인 RS 과제들을 체계적으로 정의하기 위해 프레임워크를 적용한다.
• 데이터 융합, 순차적 추천, 사회적 간섭 하에서의 공정성, 사회 네트워크 내 간섭성과 같은 핵심 열린 연구 방향을 특정하고 형식화한다.