Graph Representation Learning via Causal Diffusion for Out-of-Distribution Recommendation

基于图神经网络（GNN）的推荐算法通常假设训练和测试数据来自独立同分布（IID）的空间。然而，在存在超出分布（OOD）数据的情况下，这种假设经常失败，导致性能显著下降。在本研究中，我们构建了一个结构因果模型（SCM）来分析交互数据，揭示环境混淆因素（例如COVID-19大流行）导致基于GNN的模型中不稳定的相关性，从而损害了它们对OOD数据的泛化能力。为了解决这个问题，我们提出了一种新方法，即通过因果扩散进行图表示学习（CausalDiffRec）来进行OOD推荐。该方法通过消除环境混淆因素和学习不变图表示来增强模型对OOD数据的泛化能力。具体来说，我们使用反向调整和变分推断来推断真实的环境分布，从而消除环境混淆因素的影响。这个推断出的分布然后被用作先验知识来指导扩散过程的反向阶段中的表示学习，以学习不变表示。此外，我们提供了一个理论推导，证明了优化CausalDiffRec的目标函数可以鼓励模型学习环境不变的图表示，从而在分布转移下实现出色的泛化性能。我们广泛的实验验证了CausalDiffRec在提高OOD数据的泛化能力方面的有效性，平均改进率在Food、KuaiRec、Yelp2018和Douban数据集上分别达到10.69％、18.83％、22.41％和11.65％。

本论文旨在解决图神经网络（GNN）在推荐系统中的分布偏移问题，提出了一种新的方法CausalDiffRec。

CausalDiffRec通过构建结构因果模型（SCM）来消除环境混淆因素，学习不变的图表示，从而提高模型对OOD数据的泛化能力。

论文使用backdoor调整和变分推断来推断真实的环境分布，消除环境混淆因素。实验结果表明，CausalDiffRec在Food，KuaiRec，Yelp2018和Douban数据集上的平均改进率分别为10.69％，18.83％，22.41％和11.65％。

与本论文相关的研究包括：1. Graph Convolutional Networks for Recommender Systems；2. Causal Inference for Recommendation；3. Graph Neural Networks with Generated Parameters for Relation Extraction。