[论文解读] Disentangling User Interest and Conformity for Recommendation with Causal Embedding

Y. Zheng, Chen Gao+4 more|arXiv (Cornell University)|Jun 19, 2020

Recommender Systems and Techniques参考文献 45被引用 16

一句话总结

该论文提出DICE，一种因果嵌入框架，通过学习特定原因的独立嵌入，解耦推荐系统中的用户兴趣与从众行为。利用因果推断提取兴趣与从众行为的数据，DICE在真实世界数据集上对多种主干模型均表现出更强的鲁棒性与可解释性，性能超越SOTA基线模型。

ABSTRACT

Recommendation models are usually trained on observational interaction data. However, observational interaction data could result from users' conformity towards popular items, which entangles users' real interest. Existing methods tracks this problem as eliminating popularity bias, e.g., by re-weighting training samples or leveraging a small fraction of unbiased data. However, the variety of user conformity is ignored by these approaches, and different causes of an interaction are bundled together as unified representations, hence robustness and interpretability are not guaranteed when underlying causes are changing. In this paper, we present DICE, a general framework that learns representations where interest and conformity are structurally disentangled, and various backbone recommendation models could be smoothly integrated. We assign users and items with separate embeddings for interest and conformity, and make each embedding capture only one cause by training with cause-specific data which is obtained according to the colliding effect of causal inference. Our proposed methodology outperforms state-of-the-art baselines with remarkable improvements on two real-world datasets on top of various backbone models. We further demonstrate that the learned embeddings successfully capture the desired causes, and show that DICE guarantees the robustness and interpretability of recommendation.

研究动机与目标

• 为了解决现有方法将从众行为视为静态、全局流行度偏差的局限性，忽略用户个体差异的问题。
• 将用户从众行为建模为动态的、用户与项目特定的因素，而非标量偏差项。
• 仅使用观测数据，无需真实标签，学习用户兴趣与从众行为的解耦表示。
• 通过解耦的因果因子提升推荐在非独立同分布（non-IID）数据分布下的鲁棒性，并增强模型可解释性。
• 开发一种与多种主干推荐模型兼容的通用框架。

提出的方法

• 该框架构建了一个结构因果模型（SCM），其结构为撞针（collider）结构，其中点击交互由用户兴趣与从众行为共同导致。
• 通过利用因果图中的撞针效应，识别出特定原因的数据，将主要由兴趣驱动的交互与主要由从众行为驱动的交互分离。
• 利用各自特定原因的数据，分别学习兴趣与从众行为的嵌入，确保每种嵌入仅捕捉单一潜在原因。
• 采用多任务课程学习策略，平衡并聚合兴趣与从众行为在最终推荐分数中的贡献。
• 该方法使用简洁的加法因果模型，将点击预测分解为兴趣与从众行为两部分，实现在无需标签数据的情况下实现解耦。
• 该框架与多种主干模型（如LightGCN、BPR、NeuMF）兼容，支持无缝集成。

实验结果

研究问题

• RQ1 仅使用观测交互数据，能否在推荐中有效解耦用户兴趣与从众行为？
• RQ2 如何在静态流行度偏差之外，对用户特定与项目特定的从众行为进行建模？
• RQ3 解耦兴趣与从众行为是否能提升推荐性能、鲁棒性与可解释性？
• RQ4 所提出的因果框架能否在不同主干推荐模型上实现泛化？
• RQ5 所学习的嵌入在多大程度上反映了用户交互的真正潜在原因？

主要发现

• 在两个真实世界数据集上，DICE在多种主干模型上均显著且一致地超越SOTA基线模型，性能表现优异。
• 在非独立同分布（non-IID）数据分布下，模型展现出卓越的鲁棒性，在分布外泛化能力方面优于基线模型。
• 分析结果表明，兴趣与从众行为嵌入在很大程度上相互独立，验证了成功解耦。
• 所学习的嵌入具有高度可解释性，能够基于兴趣与从众行为得分提供清晰的解释。
• 该框架在多种推荐模型上均保持强劲性能，证明了其泛化能力与灵活性。
• 通过因果推断实现特定原因的数据提取，使解耦有效实现，且无需为兴趣或从众行为提供真实标签。