- 论文地址：https://dl.acm.org/doi/10.1145/3485447.3512251
简介
现代推荐系统从历史交互中学习用户表征，这就存在着用户特征变化带来的问题，比如收入的增加。历史交互会将过时的信息注入到与最新的用户特征相冲突的表示中，从而导致不恰当的推荐。在这项工作中，作者考虑了在用户特征发生变化的Out-Of-Distribution (OOD) 环境中的推荐问题，并为表征学习设定了额外的两个目标：强大的OOD泛化能力以及快速的OOD适应能力。OOD场景的推荐问题如图所示：
这项工作从因果关系的角度阐明并解决了这个问题。作者将用户特征的转变表述为一种干预措施，将OOD推荐表述为交互概率的干预后推断，并采用了因果模型为用户特征到交互结果的生成过程建模。作者设计了一个新型变分自动编码器来进行因果建模，利用编码器从历史上的互动中推断出未观察到的用户特征，利用解码器来对交互的生成过程进行建模并进行干预后推断，并且进一步进行反事实推理，来减轻过时的交互的影响。固有的快速的OOD适应能力来自于部分用户表征的再利用。变分自动编码器结构如图所示：
最后，作者设计了一个扩展的因果图，对从用户特征到用户偏好的细粒度因果关系进行编码。在三个数据集上的实证结果验证了所提方法的强大OOD泛化和快速适应能力。
问题定义
首先通过因果关系的视角定义推荐问题，包括了用户交互的生成过程的因果视角和对OOD推荐问题的规范。用户交互生成的因果关系图如图所示：
方法
作者提出了Causal OOD Recommendation（COR）框架为交互的生成过程进行建模来解决用户特征变化后的OOD场景下的推荐问题。相对的，用户变化前的环境即传统的训练环境（拥有用户特征与对应的历史交互信息）被称作Independent and Identically Distribution (IID)环境。
1. 目标函数
2. 实现方法
3. 因果推断方法
4. OOD环境的微调
在用户特征发生变化后，会逐渐获取新的历史交互信息d 。在OOD环境中，重复利用用户特征没有发生变化时的z2 ，并微调模型更新OOD环境下的用户偏好z1 为用户做OOD环境下的推荐。由于作者所提出的模型是基于因果关系建立的，因此在用户特征发生变化后，该模型会有更稳定的推荐表现并且在OOD环境中需要更少的交互信息
来调微调。
实验
- 作者在三个数据集上验证了COR的强大OOD泛化能力，在不同数据集下IID和OOD环境下模型的表现如图所示：
image-20220510012240339
可以看到在OOD环境下，COR的召回率相比最高的基准模型提升了超过34%，同时在IID的环境下与基准模型具有相近的表现，从而验证了COR框架的较强的OOD泛化能力。
- 而对于第二个OOD推荐任务的目标即快速适应能力，作者也在不同数据集上进行了验证，如图所示：
image-20220510013141360
通过对比在用户特征发生变化后的OOD环境下，分别对没有最新交互信息(0%)，和10%，20%以及30%的最新交互信息微调在IID上预训练好的模型。实验结果验证COR框架能够让模型拥有很快的OOD适应能力
- 反事实推理和细粒度因果图的消融实验：
- 案例分析：在IID环境中用户收入较低，真实消费更偏向于低价产品，而在OOD环境中用户的收入较高，真实消费更偏向于高价产品。IID和OOD环境下不同模型为用户推荐的产品在价格的分布如下图所示：
可以看到COR推荐的分布最逼近不同环境下的真实交互产品分布。
结论
作者提出且规范了用户特征发生变化的OOD推荐问题。为了达到较强的OOD泛化能力和快速的OOD适应能力，作者提出了COR框架，从因果关系的视角为用户的交互过程进行建模，利用干预和反事实推理减轻了OOD环境中过时的交互信息对推荐结果的影响。此外，通过在OOD环境的微调，推荐模型能够快速适应并给出更恰当的推荐。
