论文分享 《Mitigating Hidden Confounding Effects for Causal Recommendation》

《Mitigating Hidden Confounding Effects for Causal Recommendation》

在推荐系统中存在着由混淆因素导致的虚假关联是因果推荐的主要问题聚焦点。过往介绍的文章主要针对的是混淆因素可以观察到的情况(少部分也谈到了不可观察的情况，但没有深追)，而本文主要是提出的在隐藏的混淆因素无法测量的情况下，如何去减轻隐藏混淆因素的影响。
大致的思路是设计了Hidden Confounder Removal(RCH)框架，利用前门调整将要计算的因果效应分为了两个可以识别和计算且与混淆因素独立的两部分。作者在电商产品推荐和微视频推荐两个实际场景中，基于MMGCN网络实例化了RCH框架，并在Tiktok、Kwai、TaoBao三个数据集上进行了实验论证。

因果图

$I：物品特征。$
$U：用户特征。$

$V：潜在的混淆因素。同时影响着物品特征和偏好事件的发生。$

$L：用户偏好的标识。发生在用户物品交互之后，比如点赞或者购买。$

$M:用户物品对U,I和偏好标识之间的中间变量集合。例如点击->添加购物车->购买。点击->完成观看->点赞。$

$V\to M$通常是有边的，但是作者在本文中不予考虑。

因果效应计算

最终目标是在不测量混淆因素的情况下，计算因果效应$P(l|u,do(i))$。本文中详细的公式推导细节都是参考这一本统计学领域的著作《Causal inference in
statistics: A primer》。

$$P(l,v,m|u,do(i))=P(m|u,do(i))P(v)P(l|m,v,u)\text{\hspace{1em}(1)}$$
因为L,V,M的条件独立性，公式(1)成立

$$\begin{array}{rl}P(l|u,do(i))& \stackrel{(a)}{=}\sum _{m}P(m|u,do(i))\sum _{v}P(v)P(l|m,v,u)\\ & \stackrel{(b)}{=}\sum _{m}P(m|u,do(i))P(l|u,do(m)).\end{array}\text{\hspace{1em}(2)}$$
公式(2b)是通过后门调整计算得来。$P(m|u,do(i))$是I对M的因果效应， P ( l ∣ u , d o ( m ) ) P(l|u,do(m))