論文の概要: Causal Structure Representation Learning of Confounders in Latent Space for Recommendation

• arxiv url: http://arxiv.org/abs/2311.03382v2
• Date: Tue, 06 May 2025 06:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:10.850713
• Title: Causal Structure Representation Learning of Confounders in Latent Space for Recommendation
• Title（参考訳）: 推薦のための潜在空間における共同創設者の因果構造表現学習
• Authors: Hangtong Xu, Yuanbo Xu, Chaozhuo Li, Fuzhen Zhuang,
• Abstract要約: ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。 我々は、共同創設者の影響を考慮し、潜在分野におけるユーザー嗜好から引き離し、相互依存をモデル化するために因果グラフを用いる。
• 参考スコア（独自算出の注目度）: 29.116042992171987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring user preferences from the historical feedback of users is a valuable problem in recommender systems. Conventional approaches often rely on the assumption that user preferences in the feedback data are equivalent to the real user preferences without additional noise, which simplifies the problem modeling. However, there are various confounders during user-item interactions, such as weather and even the recommendation system itself. Therefore, neglecting the influence of confounders will result in inaccurate user preferences and suboptimal performance of the model. Furthermore, the unobservability of confounders poses a challenge in further addressing the problem. To address these issues, we refine the problem and propose a more rational solution. Specifically, we consider the influence of confounders, disentangle them from user preferences in the latent space, and employ causal graphs to model their interdependencies without specific labels. By cleverly combining local and global causal graphs, we capture the user-specificity of confounders on user preferences. We theoretically demonstrate the identifiability of the obtained causal graph. Finally, we propose our model based on Variational Autoencoders, named Causal Structure representation learning of Confounders in latent space (CSC). We conducted extensive experiments on one synthetic dataset and five real-world datasets, demonstrating the superiority of our model. Furthermore, we demonstrate that the learned causal representations of confounders are controllable, potentially offering users fine-grained control over the objectives of their recommendation lists with the learned causal graphs.
• Abstract（参考訳）: ユーザの過去のフィードバックからユーザの好みを推測することは,レコメンデーションシステムにおいて重要な問題である。 従来のアプローチでは、フィードバックデータにおけるユーザの好みが、ノイズを伴わずに実際のユーザの好みと等価であるという仮定に依存しており、これは問題モデリングを単純化する。 しかし、天気やレコメンデーションシステムなど、ユーザとイテムのインタラクションの間には、さまざまな共同創設者がいる。 したがって、共同創設者の影響を無視すると、モデルのユーザの嗜好や準最適性能が不正確になる。 さらに、共同創設者の不可観測性は、この問題にさらに対処する上での課題である。 これらの問題に対処するため、我々は問題を洗練し、より合理的な解決策を提案する。 具体的には、共同創設者の影響を考慮し、潜伏空間におけるユーザの嗜好から切り離し、因果グラフを用いて、特定のラベルなしで相互依存性をモデル化する。 ローカルな因果グラフとグローバルな因果グラフを巧みに組み合わせることで、私たちは共同ファウンダーのユーザの好みを捉えます。 理論的には、得られた因果グラフの識別可能性を示す。 最後に,潜時空間(CSC)における共同設立者の因果構造表現学習(Causal Structure representation learning)という変分オートエンコーダに基づくモデルを提案する。 我々は1つの合成データセットと5つの実世界のデータセットについて広範な実験を行い、我々のモデルの優位性を実証した。 さらに,共創者の学習因果表現が制御可能であることを示し,学習因果グラフを用いて推薦リストの目的をきめ細かな制御を行う可能性を示した。

関連論文リスト

• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation [0.8315707564931466]
  現在の推奨システムは、トレーニングとテストデータセットが同じ分布を持つという仮定に依存している。 本研究では,CDCOR(Out-of-Distribution Recommendation)のためのクロスドメイン因果選好学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-23T09:21:15Z)
• Separating and Learning Latent Confounders to Enhancing User Preferences Modeling [6.0853798070913845]
  我々は、推薦のための新しいフレームワーク、SLFR(Separating and Learning Latent Confounders for Recommendation)を提案する。 SLFRは、未測定の共同設立者の表現を取得し、ユーザ嗜好と未測定の共同設立者を遠ざけ、反実的なフィードバックを識別する。 5つの実世界のデータセットで実験を行い、本手法の利点を検証した。
  論文  参考訳（メタデータ） (2023-11-02T08:42:50Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• In the Eye of the Beholder: Robust Prediction with Causal User Modeling [27.294341513692164]
  データ分布の変化に頑健な関係予測のための学習フレームワークを提案する。 私たちのキーとなる観察は、ユーザがどのように環境を慎重に知覚するかを考慮し、堅牢性を得ることができることです。
  論文  参考訳（メタデータ） (2022-06-01T11:33:57Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Deconfounded Causal Collaborative Filtering [56.41625001876272]
  推薦システムは、様々な種類の共起因子(共同設立者とも呼ばれる)によって構成される。 本稿では,この問題を解決するために,Decon founded Causal Collaborative Filtering (DCCF)を提案する。 当社の手法は、保守されていない共同ファウンダーを非難して、より良いレコメンデーションパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-10-14T02:23:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。