1. Introduction

목적

• 인과 관계 분석에 대한 관심이 높아지고 다양한 분야에 적용되고 있어, 추천 시스템 내에서 인과 추론에 대한 연구가 많아지고 있음
• 추천시스템에서의 교란 효과를 이해하고 오프라인 정책 평가를 개선하거나 편향을 줄인 데이터 확대로 반사실적 문제를 처리하기 위한 프레임워크를 설명
• 논문은 새로운 이론 중심 분류법을 제안하고 향후 연구 방향을 강조함으로써 인과 추론을 추천 시스템에 보다 포괄적으로 통합하는 것을 목표로 함

서베이 논문 선정 이유

• 추천시스템 엔지니어는 단순히 최신 모델을 적용하는 것을 넘어 데이터를 분석하며 고객이 어떤 추천을 원하는지 파악해야 함.
• 현재 상용 서비스에서 앙상블 모델이 빈번하게 사용되는 것은 다양한 추천 알고리즘의 특징을 합쳐 고객이 원하는 방식의 추천을 최대한 많이 반영해 줄 수 있기 때문이라고 생각함.
• 고객의 시청이력에는 잠재적으로 고객의 의도가 숨어 있고 이 의도를 파악하여 더욱 적절한 추천을 하는 것이 추천시스템이 향해야 하는 방향이라고 생각함.
• 인과추론을 활용한 추천시스템 검증 진행하며 효과를 확인했고 더욱 다양한 활용 방식을 정리하고 싶었음
• 전통적인 추천시스템은 변수(시청이력)들 간의 상관관계만 다뤘지만, 인과성은 원인과 결과를 더욱 깊게 이해할 수 있음 (시청의 이유, 추천의 이유, 고객반응의 이유 등)

Methodology

• 인과추론 프레임워크 분류 체계 정립
  • Potential Outcome (PO) framework
  • Structural Causal Model (SCM)
  • General counterfactuals
• 산/학 데이터로 인과추론기반 추천시스템의 분류체계를 검증