《视觉感知推荐中的因果推断去偏方法：CausalRec模型研究》

作者及发表信息

本文由澳大利亚昆士兰大学（The University of Queensland）的Ruihong Qiu、Sen Wang、Zhi Chen、Hongzhi Yin和Zi Huang共同完成，发表于2021年ACM国际多媒体会议（ACM MM ‘21）。

学术背景与研究动机

研究领域：本文属于推荐系统与因果推断的交叉领域，聚焦于视觉感知推荐（visually-aware recommendation）中的视觉偏差（visual bias）问题。在电商平台中，用户对商品视觉特征（如外观）的点击行为可能与其真实偏好（如材质、价格）存在偏差，导致传统推荐模型因过度依赖视觉信号而产生误判。

研究目标：提出一种基于因果推断的通用框架，识别并消除视觉偏差，同时保留视觉信息的有效支持。最终开发新型推荐模型CausalRec，实现去偏后的高性能推荐。

研究方法与流程

1. 因果图构建与偏差分析

• 因果图设计：通过有向无环图（DAG）建模推荐系统中的关键变量，包括用户（*U*）、商品（*I*）、视觉特征（*V*）、真实偏好匹配（*M*）、视觉注意（*N*）和交互行为（*Y*）。
  
• 偏差机制：视觉特征作为中介变量（mediator），会引入虚假关联（spurious relationship），例如用户因视觉吸引点击商品，但实际未购买。
  

2. 干预与反事实推理

• 干预操作（Intervention）：通过切断特定因果路径（如*I→V→N→Y*），分离视觉特征的直接效应（导致偏差）与间接效应（反映真实偏好）。
  
• 反事实问题：“若用户看到其他具有相同视觉特征的商品，是否仍会交互？”通过对比真实交互与反事实场景（如商品替换为I^*），量化视觉偏差。
  
• 效应分解：
  
  • 总效应（TE）：原始交互与完全无干预场景的差异。
    
  • 自然直接效应（NDE）：仅保留视觉特征直接效应时的交互差异。
    
  • 总间接效应（TIE）：TE与NDE之差，反映去偏后的真实偏好信号。
    

3. 模型开发（CausalRec）

• 多任务学习架构：
  
  • 匹配模块（M_i,u）：用户-商品潜在向量点积（公式19）。
    
  • 视觉间接模块（M_i,v,u）：融合视觉特征与用户偏好（公式20）。
    
  • 视觉注意模块（N_v,u）：用户对视觉特征的独立响应（公式21）。
    
• 损失函数：结合BPR损失（公式24）与多任务目标（公式23），联合优化三个模块。
  
• 去偏推理：测试阶段通过TIE（公式27）生成最终推荐，超参数λ₂控制去偏强度（公式28）。
  

4. 实验验证

• 数据集：Amazon八大类目（如Baby、Clothing），样本量1.6万至5.8万用户，交互稀疏度99.8%以上。
  
• 基线模型：对比BPR（非视觉）、VBPR（视觉基线）、AMR等。
  
• 评估指标：MRR、NDCG@50、HR@50。
  
• 结果：
  
  • CausalRec在全部数据集上显著优于基线，NDCG平均提升21.9%-52.5%（如Toys类别提升52.5%）。
    
  • 因果干预模块（CI）可泛化至VBPR等现有模型，使其NDCG提升14.7%-37.6%。
    
  • 消融实验验证乘法融合（公式22）与多任务学习的必要性（图6）。
    

主要结论与价值

1. 理论贡献：

   • 首次提出视觉偏差的因果形式化定义，揭示其通过中介变量引入虚假关联的机制。
     
   • 提出基于TIE的通用去偏框架，可适配现有视觉推荐模型。
     

2. 应用价值：

   • CausalRec在保持视觉信息有效性的同时，显著减少误推荐（如用户点击但未购买的商品）。
     
   • 为电商平台提供高鲁棒性推荐工具，尤其适用于服装、家居等视觉敏感场景。
     

研究亮点

1. 方法创新性：

   • 首次将因果推断（反事实推理与干预）引入视觉推荐系统，解决传统协同过滤无法处理的固有偏差问题。
     
   • 提出模块化多任务架构，分离视觉信号的“支持性”与“偏差性”。
     

2. 实验严谨性：

   • 覆盖八类大规模真实数据集，验证模型普适性。
     
   • 通过超参数敏感性分析（图7），明确λ₂对性能的影响规律。
     

其他价值

• 开源实现：基于Cornac框架，促进方法复现与扩展。
  
• 跨领域启示：因果分析框架可迁移至其他多模态推荐场景（如文本-视觉联合推荐）。
  

（全文共计约1500字）