Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation

要約

タイトル：推奨システムにおける好み理解のための因果推論型分離可能変分オートエンコーダー
要約：
– 推奨システムのモデルは、通常ユーザーの相互作用データに基づいて訓練されますが、ユーザーの意思決定プロセスにおける潜在的な因子の相互作用は、複雑で絡み合ったデータを生み出します。
– これらの潜在因子を分離してその基礎表現を明らかにすることは、推奨システムの堅牢性、解釈性、および制御性を改善することができます。
– 本論文は、推奨システム内で相互作用データから因果推論型の分離可能表現を学習するための新しいアプローチである因果推論型分離可能変分オートエンコーダー（CaD-VAE）を紹介します。
– CaD-VAEの手法では、既存の分離方法と異なり、セマンティックに関連する因子の因果関係を考慮し、独立性を実施するのではなく、現実の推奨シナリオにおける因果関係に注目します。
– この方法は、構造的因果モデルを利用して、潜在因子の因果関係を記述する因果表現を生成します。
– 結果は、既存の方法よりも優れており、推奨システムにおける複雑なユーザーの行動データを分離する有望な解決策を提供しています。

要約(オリジナル)

Recommendation models are typically trained on observational user interaction data, but the interactions between latent factors in users’ decision-making processes lead to complex and entangled data. Disentangling these latent factors to uncover their underlying representation can improve the robustness, interpretability, and controllability of recommendation models. This paper introduces the Causal Disentangled Variational Auto-Encoder (CaD-VAE), a novel approach for learning causal disentangled representations from interaction data in recommender systems. The CaD-VAE method considers the causal relationships between semantically related factors in real-world recommendation scenarios, rather than enforcing independence as in existing disentanglement methods. The approach utilizes structural causal models to generate causal representations that describe the causal relationship between latent factors. The results demonstrate that CaD-VAE outperforms existing methods, offering a promising solution for disentangling complex user behavior data in recommendation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI