[论文解读] On the Opportunity of Causal Learning in Recommendation Systems: Foundation, Estimation, Prediction and Challenges

Peng Wu, Haoxuan Li+7 more|arXiv (Cornell University)|Jan 18, 2022

Recommender Systems and Techniques被引用 9

一句话总结

本文提出了一种基于潜在结果模型的推荐系统（RS）统一因果分析框架，形式化了因果 estimand，通过违反假设识别偏差，并综述了用于因果估计的统计与机器学习方法。该框架为去偏和预测任务提供了严谨的理论基础，为数据融合、序列推荐、公平性及干扰等方向开辟了新的研究路径。

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.

研究动机与目标

• 基于潜在结果框架建立推荐系统统一的因果分析框架。
• 正式定义推荐系统中各种偏差为标准因果假设的违反，以提升清晰度与理论基础。
• 阐明现有去偏与预测方法在推荐系统中所依赖的假设，区分选择偏差与混淆偏差。
• 综述并系统化适用于推荐系统任务的统计与机器学习因果估计技术。
• 识别并讨论因果推荐系统中的开放研究挑战，包括数据融合、序列推荐、公平性及干扰。

提出的方法

• 使用潜在结果框架定义因果 estimand，以明确所估计的内容及其目的。
• 通过评估在合理假设下是否可导出一致估计量，分析 estimand 在观测数据下的可恢复性。
• 将推荐系统中的偏差分类为特定因果假设（如可忽略性、SUTVA）的违反，提供正式的因果定义。
• 综述并分类因果估计方法，包括结果回归、逆概率加权、双重稳健估计器，以及现代基于机器学习的估计器（如 R-learner、X-learner、DR-learner）。
• 将该框架应用于经典推荐系统任务，如 CTR/CVR 预测、提升建模与策略学习。
• 通过将当前挑战（如数据融合、公平性、干扰）映射到因果框架，提出开放研究方向。

实验结果

研究问题

• RQ1 如何在推荐系统中形式化定义因果 estimand，以明确所回答的科学问题？
• RQ2 推荐系统中哪些因果假设常被违反，这些违反如何导致特定类型的偏差？
• RQ3 现有推荐系统去偏方法的理论基础是什么，其假设如何能被明确表达？
• RQ4 如何系统性地将因果估计方法——包括统计与基于机器学习的方法——应用于推荐系统的预测与去偏任务？
• RQ5 在扩展因果推断至推荐系统时，关键的开放挑战是什么，特别是在序列化、公平性及存在干扰的场景中？

主要发现

• 本文形式化了一个统一的因果分析框架，利用潜在结果模型明确了推荐系统中因果 estimand 及其可恢复性。
• 以可忽略性、无混淆性及 SUTVA 等关键假设的违反为基础，提供了推荐系统中偏差的正式因果定义。
• 通过分析其假设违反的根源，区分了推荐系统中的选择偏差与混淆偏差。
• 综述了涵盖结果回归、IPW、DR 及现代基于机器学习的估计器（如 R-learner 与 X-learner）的广泛因果估计方法。
• 该框架被用于严谨地形式化经典推荐系统任务，如非遵从性、干扰及策略学习。
• 本文识别并形式化了关键的开放研究方向，包括数据融合、序列推荐、社会干扰下的公平性，以及社交网络中的干扰。