SIGIR‘21因果推断——不要把流行度偏差一棍子打死Causal Intervention for Leveraging Popularity Bias in Recommendation

Causal Intervention for Leveraging Popularity Bias in Recommendation
https://arxiv.org/pdf/2105.06067.pdf

背景

本文所提方法针对召回阶段所用方法。之前的工作考虑的是如何缓解流行偏差带来的问题，包括IPS，causal embedding等，而本文考虑的是直接缓解流行偏差而不是流行偏差带来的影响。并且本文考虑到“不是所有流行偏差都是有害的”，流行的item可以反映这个item的趋势和内在特性。而我们需要缓解的是流行偏差对item曝光带来的影响。

• 利用因果图，从混杂因子角度分析流行度对结果的影响
• 提出Popularity-bias Deconfounding and Adjusting (PDA)框架，通过干预去除混杂从而缓解流行偏差对曝光的影响，而最终影响到结果

图a反映的是通常的做法，即通过user（U）和item（I）的关系来计算得分（C）；而现在构建新的因果图，如图b，Z表示数据流行度。数据流行一方面可以反映数据本身的内在特性和其趋势，用户本身可能就会在心理上倾向于这类商品，因此Z对C有直接影响；另一方面，由于存在Z，他会影响item的最终曝光，热门的item往往曝光的更高。从图中可以发现，这个Z他是I和C的共同原因，因此Z是混杂因子，可以通过干预（do）来解决。

方法

分阶段计算流行度

通常我们直接计算user和item的交互次数，从而获得item的流行度。本文采用分阶段的方式，计算不同阶段内的局部流行度。
$$m_i^t=D_i^t/\sum _{j\in I}{D}_j^t$$
$m_i^t$表示item i在第t阶段中的流行度。$D_i^t$表示t阶段的样本集合$D_t$中item i的交互频次。

流行度漂移

本文考虑了流行度漂移（popularity drift），即随着时间的变化（阶段stage的变化），item的流行度是会发生变化的，而不是固定不变的。因此本文定义了Drift of Popularity (DP)来定量的衡量流行度漂移。如下式，通过JS散度衡量两个阶段之间的流行度差异。
$$DP(t,s)=JSD\left(\left[m_1^t,\dots ,m_{|T|}^t\right],\left[m_1^s,\dots ,m_{|I|}^s\right]\right)$$
其中，$m_i^t$即上面的第t阶段的局部流行度，t和s为两个不同的阶段。