推荐系统+因果推断（二）——kdd‘21用反事实推理缓解召回阶段的数据流行度偏差Model-Agnostic Counterfactual Reasoning for EliminatingPopu

 

Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System

https://dl.acm.org/doi/pdf/10.1145/3447548.3467289

 本文中将会用到因果推断中反事实部分的知识，具体内容可以查看之前的文章，这里就不对反事实相关内容重复叙述了。

背景

        背景和上一篇的背景类似，都是为了解决流行数据偏差问题。想要详细了解例子的小伙伴可以查看上一篇文章（推荐系统+因果推断（一））。这里进行简述，推荐系统中我们需要给用户提供个性化的推荐，而不是什么流行推荐什么。本篇文章作用于召回阶段而非排序阶段。

贡献：

• • 从因果推断的角度分析流行数据偏差问题，构建了因果图

  • 提出了MACR训练框架，在推理阶段缓解流行性带来的偏差

• • 通过丰富的实验证明了方法的有效性

方法

分析流行性数据偏差对召回模型的影响

        图（a）是传统的方式的因果图，只考虑user和item的交互，比如交互矩阵。而其中忽略了用户一致性和物品流行度对整体的影响，因此修改因果图，得到图（c）。在整个模型中，我们需要做的就是去除I->Y的影响，以此去除item流行性对最终结果的影响。

TE、NDE、TIE的概念

total effect(TE) 总效应：当 变成后，所获得的效应。

natual direct effect(NDE) 自然直接效应，如第三张图，中间（K）不通，也就是说I的变化只会影响到Y但是不会影响到K，当 变成后所获得的的效应。

total indirect effect(TIE)总间接效应：当 变成后

 

MACR框架

模型结构

MACR是一个多任务模型，中间橙色部分是传统的推荐模型，用户匹配user和item，即K->Y。绿色部分为U->Y，蓝色部分为I->Y。三个分支得到的最终预测分数为

总体损失函数为

Lo,Li,Lu为橙，蓝，绿三个分支的二分交叉熵损失函数，以Lu为例：

反事实推断

    通过反事实推断，将real world的因果图转变为conterfactual world反事实世界的因果图。在推理阶段，通过下式去掉I->Y这条路径从而缓解item流行性偏差问题。

上式可由前述的TIE得到，c是超参数。

推导：

 

 

 

 

 

 

简单总结：

    本文是首先训练了一个多任务模型，然后在推理也就是召回阶段，通常我们是得到分数，取前n个，但是此处作者考虑了数据流行性偏差问题，通过反事实推理，在推理阶段计算TIE来衡量哪个item更优，以此缓解上述问题。

更多内容可以关注“秋枫学习笔记”