ABSTRACT
- 추천 시스템의 목표는 개인화된 아이템을 제안하는 것이지만, 일반적 추천 학습 방식으로는 인기있는 아이템에 편향됨
- 아이템의 내재적 특성이 높은 랭킹 점수를 갖는 이유로 봄
- 모델이 오직 아이템 특성만 사용한다면 어떤 랭킹 점수를 가질까에 대한 counterfactual 질문을 통해 인기 편향을 제거함
- multi-task learning을 통해 각 원인의 기여도를 학습, counterfactual inference를 통해 아이템 인기도의 영향을 제거
- 다양한 범위의 모델과 활용 가능: mf, lightgcn,…
Introduction
- 인기 편향을 인과관계 (item → ranking score direct effect)로 본다
- 인기도 영향을 축소하는 다양한 방법 존재하나, 어떻게 인기도가 각 interaction에 영향미치는지에 대한 고려는 부족함.
- 이 방법은 user-item matching이 제외된 세상에서 item이 ranking에 미치는 영향을 추정하고, 그것을 전체 ranking score에서 빼는 방식으로 편향을 제거함
- interaction probability 영향 요소
- user-item matching: 기존 추천 시스템이 집중하는 부분
- item popularity
- user conformity
Y: ranking score
K: matching features between user and item