因果推断推荐系统工具箱 - Doubly robust joint learning for recommendation on data missing not at random（一）

文章名称

Doubly robust joint learning for recommendation on data missing not at random

核心要点

上一节主要讲了问题MNAR的问题，以及EIB和IPS等方法如何进行纠偏。这一节我们来看作者是如何做DR的。

方法细节

问题引入

具体做法

Error-imputation-based

Error-imputation-based的方法采用启发式的插值方式，构造真实评分估计误差的无偏估计量，来替换直接利用观测数据进行评分估计。其中，是通过超参数和结合模型的估计评分得到的。通过类似因果推断binary treatment下，利用potential outcome构造factual outcome的式子，得到最终的估计误差项。

EIB

imputation MAE

imputation MSE

其中，如下图所示， 被称为误差偏离，用来衡量真实评分误差和插值评分误差的偏离程度。这个误差项在本文中被用来进行联合训练。

error deviation

Inverse-propensity-scoring

IPS的方法是因果推断中比较常见的。利用估计的user-item对被观测到的可能性，对样本进行逆概率调权，最终得到对真实评分估计的无偏估计量。

IPS

为了减小IPS的方差，也可以采用类似offline policy evaluation的self-normalization IPS减小方差。

SNIPS

心得体会

A Causal View

如上边提到，EIB其实是类似binary treamtent下的causal inference问题的某种构造损失。除此之外，其实EIB的有点类似于balancing，只不过这里的是常数。同时，还利用进行了平移。也就是说，无论是EIB还是IPS都是可以从因果角度解释的，可见Debias这件事情无论在哪个场景都有因果的痕迹。其实，直接在观测数据集上估计评分，类似于因果推断的Directly Prediction方法，后边又有了PSM（也就是matching和balancing）以及IPS。