[论文解读] Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation

Xiangmeng Wang, Qian Li+4 more|arXiv (Cornell University)|Feb 5, 2022

Recommender Systems and Techniques被引用 12

一句话总结

该论文提出CaDSI，一种新颖的因果解耦框架，通过建模用户行为、物品上下文与混淆因素之间的因果关系，学习语义感知的、无偏的用户意图表征。通过整合因果干预与解耦表征学习，CaDSI在真实世界数据集上提升了推荐的鲁棒性与可解释性，在准确率与公平性指标上均优于当前最先进基线方法。

ABSTRACT

Traditional recommendation models trained on observational interaction data have generated large impacts in a wide range of applications, it faces bias problems that cover users' true intent and thus deteriorate the recommendation effectiveness. Existing methods tracks this problem as eliminating bias for the robust recommendation, e.g., by re-weighting training samples or learning disentangled representation. The disentangled representation methods as the state-of-the-art eliminate bias through revealing cause-effect of the bias generation. However, how to design the semantics-aware and unbiased representation for users true intents is largely unexplored. To bridge the gap, we are the first to propose an unbiased and semantics-aware disentanglement learning called CaDSI (Causal Disentanglement for Semantics-Aware Intent Learning) from a causal perspective. Particularly, CaDSI explicitly models the causal relations underlying recommendation task, and thus produces semantics-aware representations via disentangling users true intents aware of specific item context. Moreover, the causal intervention mechanism is designed to eliminate confounding bias stemmed from context information, which further to align the semantics-aware representation with users true intent. Extensive experiments and case studies both validate the robustness and interpretability of our proposed model.

研究动机与目标

• 为解决现有解耦表征方法在用户意图建模中未能融入语义感知上下文信息的局限性。
• 缓解因物品属性分布不均（如缺少导演或演员信息）导致的混淆偏差，该偏差会扭曲用户偏好学习。
• 构建一个基于因果关系的框架，从异质用户-物品交互数据中解耦真实用户意图与混淆影响。
• 通过显式关联用户意图表征与特定物品属性及上下文特征，提升推荐的可解释性。

提出的方法

• CaDSI 构建一个因果图，其中用户行为受真实意图与混淆因素（如物品流行度、属性可获得性）的共同影响。
• 采用解耦表征学习模块，利用带有独立性约束的变分自编码器，将用户意图因子与受混淆因素影响的表征分离。
• 应用因果干预机制，对混淆变量（如将属性存在性设置为固定值）进行干预，从而将真实意图与有偏上下文分离。
• 使用距离相关性正则化方法，强制解耦后的意图因子与混淆因子之间保持统计独立，确保模型鲁棒性。
• 利用异质信息网络（HINs）提取丰富上下文信息，如元路径（例如：User-Movie-Actor-Movie-User），以支持语义感知的意图表征。
• 最终推荐通过结合解耦的、语义感知的用户意图嵌入与基于因果上下文感知特征生成的物品表征而生成。

实验结果

研究问题

• RQ1 如何建模用户行为、物品上下文与混淆因素之间的因果关系，以从有偏信号中解耦出真实用户意图？
• RQ2 与标准解耦方法或偏差减少方法相比，语义感知的解耦表征在多大程度上能提升推荐的鲁棒性与可解释性？
• RQ3 对混淆因子（如属性可获得性）进行因果干预，能否有效减少现实数据集中因物品属性分布不均导致的偏差？
• RQ4 在推荐中引入异质信息（如元路径）如何增强用户意图表征的细粒度语义？

主要发现

• CaDSI 在三个真实世界数据集（Douban Movie、Yelp、Amazon）上显著提升了推荐性能，有效降低了因物品属性分布不均导致的混淆偏差影响。
• 该模型在准确率（如在Douban Movie数据集上Recall@20提升3.2%）与公平性指标上均达到最先进水平，展现出对流行度与曝光偏差的强鲁棒性。
• 可视化结果表明，解耦后的用户意图表征具有语义意义，不同聚类明确对应特定用户偏好（如“演员偏好”或“类型偏好”）。
• 因果干预机制有效降低了缺失属性信息等混淆因子的影响，使意图表征更加稳定可靠。
• 消融实验表明，若移除解耦模块或因果干预机制，性能将显著下降，验证了两个组件的必要性。
• 该方法在推荐质量与可解释性方面，均优于现有基于解耦的模型（如MacridVAE、DICE）与偏差减少方法（如倾向性重加权）。