MCLMR: 모델에 구애받지 않는 다중 행동 추천을 위한 인과 추론 프레임워크

MCLMR: A Model-Agnostic Causal Learning Framework for Multi-Behavior Recommendation

다중 행동 추천(MBR)은 사용자 상호 작용의 다양한 유형(예: 조회, 클릭, 구매)을 활용하여 기존의 단일 행동 기반 방식에서 발생하는 선호도 모델링의 한계와 데이터 희소성 문제를 완화합니다. 그러나 기존의 MBR 방법은 다음과 같은 근본적인 어려움에 직면합니다. 즉, 사용자 행동 습관과 아이템의 다중 행동 분포에서 발생하는 복잡한 교란 효과를 모델링할 수 있는 체계적인 프레임워크가 부족하며, 이질적인 보조 행동을 효과적으로 통합하는 데 어려움을 겪고, 또한 의미론적 간극을 해소하면서 편향 왜곡을 고려하여 행동 표현을 일치시키는 데 실패합니다. 이러한 제한 사항을 해결하기 위해, 우리는 다양한 MBR 아키텍처에 원활하게 통합될 수 있는 새로운 모델에 구애받지 않는 인과 추론 프레임워크인 MCLMR을 제안합니다. MCLMR은 먼저 인과 그래프를 구축하여 교란 효과를 모델링하고, 편향되지 않은 선호도 추정을 위해 개입을 수행합니다. 이 인과 프레임워크 하에서, MCLMR은 Mixture-of-Experts 기반의 Adaptive Aggregation 모듈을 사용하여 보조 행동 정보를 동적으로 융합하고, Bias-aware Contrastive Learning 모듈을 사용하여 편향을 고려하여 행동 표현을 일치시킵니다. 세 개의 실제 데이터 세트에 대한 광범위한 실험 결과, MCLMR은 다양한 기본 모델에 비해 상당한 성능 향상을 달성했으며, 이는 그 효과성과 일반성을 입증합니다. 모든 데이터와 코드는 공개적으로 제공될 예정입니다. 익명 검토를 위해, 저희 코드는 다음 링크에서 확인하실 수 있습니다: https://github.com/gitrxh/MCLMR.

Multi-Behavior Recommendation (MBR) leverages multiple user interaction types (e.g., views, clicks, purchases) to enrich preference modeling and alleviate data sparsity issues in traditional single-behavior approaches. However, existing MBR methods face fundamental challenges: they lack principled frameworks to model complex confounding effects from user behavioral habits and item multi-behavior distributions, struggle with effective aggregation of heterogeneous auxiliary behaviors, and fail to align behavioral representations across semantic gaps while accounting for bias distortions. To address these limitations, we propose MCLMR, a novel model-agnostic causal learning framework that can be seamlessly integrated into various MBR architectures. MCLMR first constructs a causal graph to model confounding effects and performs interventions for unbiased preference estimation. Under this causal framework, it employs an Adaptive Aggregation module based on Mixture-of-Experts to dynamically fuse auxiliary behavior information and a Bias-aware Contrastive Learning module to align cross-behavior representations in a bias-aware manner. Extensive experiments on three real-world datasets demonstrate that MCLMR achieves significant performance improvements across various baseline models, validating its effectiveness and generality. All data and code will be made publicly available. For anonymous review, our code is available at the following the link: https://github.com/gitrxh/MCLMR.