Deconfounded Causal Collaborative Filtering

要約

レコメンダー システムは、さまざまな種類の交絡因子 (交絡因子とも呼ばれる) によって混乱する可能性があり、不正確なレコメンデーションやレコメンデーションのパフォーマンスの犠牲につながる可能性があります。
問題を解決するための現在のアプローチは通常、特定の交絡因子ごとに特定のモデルを設計します。
ただし、現実世界のシステムには膨大な数の交絡因子が含まれる可能性があるため、特定の交絡因子ごとに特定のモデルをそれぞれ設計することは非現実的である可能性があります。
さらに重要なことは、ランキングリスト内の項目の位置など、専門家が手動で特定して処理できる「明示的な交絡因子」を除いて、専門家の想像を超えた「潜在的な交絡因子」も数多く存在することです。
たとえば、曲に対するユーザーの評価はその時の気分や天気に依存する可能性があり、アイスクリームに対するユーザーの好みは気温に依存する可能性があります。
このような潜在的な交絡因子は、記録されたトレーニング データでは観察できない場合があります。
この問題を解決するために、Deconffounded Causal Collaborative Filtering (DCCF) を提案します。
まず、観察されていない交絡因子を含むユーザーの行動を因果関係グラフにフレーム化してから、機械学習と慎重に融合させたフロントドア調整モデルを設計して、観察されていない交絡因子の影響を解絡します。
現実世界のデータセットでの実験では、私たちの方法が観測されていない交絡因子を解絡して、より良い推奨パフォーマンスを達成できることが示されています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google