Recommended
More Related Content
Similar to RecSys2020論文読み会
Similar to RecSys2020論文読み会 (19)
More from Masahiro Sato
RecSys2020論文読み会
- 1. UNBIASED LEARNING FOR THE CAUSAL EFFECT OF RECOMMENDATION RecSys2020 論文読み会 (2020/10/17)
- 2. 自己紹介 • 企業で情報推薦の研究しています(*) • 最近の研究テーマは「推薦の因果効果向上」 • 去年度に筑波大学でPhD (*)本日の発表は個人的な活動です。 発表資料は論文内の公開情報をもと に個人で作成したものです。
- 3. これまでの研究 • Modeling Individual Users‘ Responsiveness to Maximize Recommendation Impact (UMAP ‘16) <- 推薦に対する反応の個人化と購入率の伸び（＝因果効果）の最大化 • Exploring an optimal online model for new job recommendation: Solution for recsys challenge 2017 <- オンライン評価ありのジョブマッチングのコンペ • Explaining recommendations using contexts (IUI ‘18) <- 行動誘発（＝因果効果）につながるコンテキストを用いた推薦説明 • Uplift-based evaluation and optimization of recommenders (RecSys ‘19) <- 推薦による伸び（＝アップリフト＝因果効果）の評価と最適化 • Modeling user exposure with recommendation influence (SAC ’20) <- 推薦によるアイテム認知を考慮したExposure Model • Unbiased Learning for the Causal Effect of Recommendation (RecSys ‘20) <- 本日の話、推薦の因果効果のUnbiased Learning
- 5. イントロダクション
- 6. 推薦システムの目的 • ユーザーの商品購入や動画視聴を増やす • 売り上げやエンゲージメントの向上 Jannach ’19 “Measuring the Business Value of Recommender System”
- 13. どれくらい重要？ • Amazonのオススメのクリックの75%以上は、 オススメしなくてもクリックされる（という分析報告） Sharma ’15 “Estimating the Causal Impact of Recommendation Systems from Observational Data”
- 14. どれくらい重要？ • 購入率が高い商品と、購入率の伸びが大きい商品は異なる Sato ’16 “Modeling Individual Users‘ Responsiveness to Maximize Recommendation Impact” 推薦なしの購入率 推薦したときの購入率 推薦による伸び
- 16. 研究課題２） Bias by Confounding 推薦の割り当て( ) と潜在的な結果 ( , )の両方とも、 ユーザーやアイテム の特性に依存 ->因果効果の推定に バイアスが生じやすい
- 17. 本研究 • 因果効果のランキング評価指標を定義 • 上記評価指標のIPS-based unbiased estimator • 上記estimatorをもとにしたUnbiased learning method IPS (inverse propensity scoring): 確率の逆数で重み付けする手法。 因果推論やunbiased learningによく使わ れる。
- 18. 先行研究 • 推薦、IR分野のunbiased/counterfactual learningの研究は、 の予測とランキング ->因果効果 を扱っていない • 因果効果を目的とした推薦手法は、これまでバイアス問題に 取り組んでいない （そもそもあまりこのテーマは研究されていない。 知る限りだとBodapati ’08, Sato ‘16, Sato ‘19の3つだけ） “Recommendations as treatments” や“Causal embeddings for recommendation”もこっち側
- 19. 提案手法
- 26. （観測可能な）Unbiased Estimator 評価指標の IPS-based estimator 観測不可能 観測可能 推薦の 有無 推薦される確率 (=“propensity”) 購入/視聴
- 27. Unbiased Learning for CAR • Differentiable upper boundの導出 この２つの項に対してSGDで学習
- 28. 実験
- 29. 実験設定 • Semi-synthetic datasets based on Dunnhumby • Item-granularity: category-level / product-level • Propensity: data original / personalized & skewed 元データの 統計を反映 推薦有無の購買がある 貴重な公開データ
- 30. Performance Comparison (Category-Original) 従来 手法 提案手法 Biased (1,372 items) not おおむね提案 手法がベスト 学習手法の比較なので、モデル は統一して Matrix factorization
- 31. まとめ
- 32. まとめ • 本研究 • 因果効果のランキング評価指標を定義 • 上記評価指標のIPS-based unbiased estimator • 上記estimatorをもとにしたUnbiased learning method ->いろんな推薦モデルの学習に使えます • 将来研究 • CAR (causal average rank)以外の評価指標に対する学習手法（たと えばcausal DCG） • Unbiased estimatorの改善（たとえばdoubly robustで）
- 33. APPENDIX
- 34. Variance Reduction by Propensity Capping
- 35. Dependence on the propensity capping Personalized設定での最適 cappingはかなり大きめ
- 36. Robustness to Miss-specified Propensity Category-Original Product-Original 推定誤差の程度 提案手法にはPropensityが必要 ->propensityのログなかったら推定必要 ->推定誤差があっても大丈夫？ 推定誤差の程度