Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference

要約

レコメンダ システムにおける選択バイアスは、システム フィルタリングの推奨プロセスとユーザー選択の対話プロセスから発生します。
これまでの研究の多くは、予測モデルの不偏学習を達成するために選択バイアスに対処することに焦点を当ててきましたが、特定のユーザーとアイテムのペアの潜在的な結果は、近傍効果と呼ばれる他のユーザーとアイテムのペアに割り当てられた処理によって異なる可能性があるという事実を無視しています。
このギャップを埋めるために、本論文では因果推論の観点から近傍効果を干渉問題として形式的に定式化し、近傍効果を捉えるための処理表現を導入する。
これに基づいて、近隣効果が存在する場合の選択バイアスに対処するために使用できる新しい理想的な損失を提案します。
さらに、提案された理想的な損失を推定するための 2 つの新しい推定器を開発します。
近隣効果を無視して、提案された方法と以前のバイアス除去方法の間の関係を理論的に確立し、既存の方法にはバイアスがあるのに対し、提案された方法は選択バイアスと近隣効果の両方が存在する場合に不偏学習を達成できることを示します。
提案された方法の有効性を実証するために、大規模な半合成実験と現実世界の実験が行われます。

要約(オリジナル)

Selection bias in recommender system arises from the recommendation process of system filtering and the interactive process of user selection. Many previous studies have focused on addressing selection bias to achieve unbiased learning of the prediction model, but ignore the fact that potential outcomes for a given user-item pair may vary with the treatments assigned to other user-item pairs, named neighborhood effect. To fill the gap, this paper formally formulates the neighborhood effect as an interference problem from the perspective of causal inference and introduces a treatment representation to capture the neighborhood effect. On this basis, we propose a novel ideal loss that can be used to deal with selection bias in the presence of neighborhood effect. We further develop two new estimators for estimating the proposed ideal loss. We theoretically establish the connection between the proposed and previous debiasing methods ignoring the neighborhood effect, showing that the proposed methods can achieve unbiased learning when both selection bias and neighborhood effect are present, while the existing methods are biased. Extensive semi-synthetic and real-world experiments are conducted to demonstrate the effectiveness of the proposed methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google