WWW21:Disentangling User Interest and Conformity for Recommendation with Causal Embedding

Disentangling User Interest and Conformity for Recommendation with Causal Embedding

概述

DICE 模型利用因果推断技术，将混杂了兴趣与从众性的传统 embedding 解耦。解耦后的 embedding 各自使用特定样本训练，实现了用户兴趣与从众性的巧妙剥离，达到同时利用流行度偏差与用户兴趣以提升推荐指标的目的。

Embedding 解耦

用户对物料的消费行为可同时来源于用户兴趣和用户从众性，因此用户u和物料i的总匹配分S_ui计算如下，为兴趣匹配分S^interest​_ui与从众匹配分S^conformity​_ui两部分之和。

DICE 使用了两套 embedding 来分别计算兴趣匹配分S^interest​_ui 与从众性匹配分S^conformity​~ui ​~

从如下因果图中可知，用户的点击行为同时取决于用户兴趣与用户从众性，兴趣与从众性是因，用户点击行为是果，箭头朝向由因至果。直观来看，兴趣 embedding 与从众 embedding 需要各自特定的样本来训练，但实际中无法准确判定用户行为背后的起因，由此无法精确的对样本做切分。幸运的是，在因果图中用户兴趣、从众性与用户点击行为三个节点形成对撞结构，利用对撞结构中条件相关理论，可大致推测用户行为背后的起因。‍

即当“用户行为”被确定时，其背后原因“用户兴趣”与“从众性”呈相关关系。比如当用户发生点击行为，且物料流行度很低时，可推测该点击行为由用户兴趣触发。设M^I为用户与物料的兴趣分匹配矩阵，M^H为从众性匹配矩阵，两者大小关系讨论如下。

据此，文章根据正负样本的流行度拆分数据集O1 、O2

1)O1：正样本a比负样本b流行

2)O2：正样本c没负样本d流行,在O2数据集，有理由相信用户出于兴趣，选择消费不流行的c而不是d

embedding 差异化任务

DICE 模型利用上述不等式，使用特定样本对不同的 embedding 训练，实现了用户兴趣 embedding 与从众性 embedding 的解耦。但该不等式是粗糙的，为进一步剥离用户兴趣与从众性，论文分别尝试了一阶范数、二阶范数和协方差强行增加两类 embedding 的差异性。实验结果表明，协方差效果最好但耗时高，因此不适用于大规模数据。DICE 模型的四个任务如公式所示，分别为点击任务、兴趣任务、从众性任务、embedding 差异化任务。

‍