Oct, 2015

通过观测数据估计推荐系统的因果影响

PDF
TL;DR本文提出了一种从观察数据中估计因果效应的方法，通过 Intrumental Variable 的方法，对 2.1 百万用户的 Amazon 浏览记录进行了分析，发现推荐系统尽管占据了很大一部分浏览产品的流量，但是最多只有 25% 的流量是因为推荐系统而产生的。
recommendation systemscausal effectsobservational datainstrumental variableamazon.com
发现论文，激发创造
  • 推荐因果效应的无偏学习

    本论文提出了一种基于逆倾向评分技术的无偏学习框架，以解决推荐系统中的因果效应问题。通过构建无偏估计器和进行经验风险最小化，该框架可以有效地提高有限训练样本下的方差，从而开发出一种基于无偏学习方法的因果效应扩展排序度量方法。该方法在各种设置下的性能均优于其他有偏学习方法。

    Aug, 2020

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 个性化系统中用户学习的因果估计

    本研究提出了一种非参数因果模型来研究个性化系统中的用户行为，并介绍了新的实验设计，可以通过干预系统个性化来区分用户学习效应和个性化效果。模拟结果表明，所提出的新设计可以成功恢复感兴趣的动态因果效应。

    Jun, 2023

  • 推荐的因果嵌入

    本文介绍了一个基于领域适应算法的建议优化策略，通过预测完全随机的建议策略下的建议效果来实现学习，比目前最先进的因子分解方法、因果推断等方法有着明显的提升。

    Jun, 2017

  • 推荐系统的离线 A/B 测试

    本文介绍了基于历史数据的线下评估方法，计算新推荐系统版本可能带来的收益提升，提供对实际环境下偏差建模的反事实估计量的变量，通过在线广告个性化产品推荐引起商业指标相关性的商业实验来检验这些估计值。

    Jan, 2018

  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020

  • 推荐系统因果学习的机会：基础、估计、预测和挑战

    本文提供了一个正式的因果分析框架，主要用于调查和统一现有的基于因果思想的推荐方法，并从违反因果分析中采用的假设的角度，提供了推荐系统中各种偏差的正式因果定义以及在 RS 中的很多去偏见和预测任务的正式化分析，希望为因果 RS 社区提供新的研究机会。

    Jan, 2022

  • 多行为推荐中的公平因果干预

    本文提出了一种基于因果框架、通过多种用户行为数据进行推荐，以消除流行度偏差并提高推荐公平性且不牺牲推荐准确性的方法。

    Sep, 2022

  • 利用流行偏见进行因果干预的推荐

    研究推荐系统中的流行度偏差问题，提出了一种新的训练和推断范式，名为流行度偏差去混淆与调节，通过因果干预去除模型训练中的混淆流行度偏差并在推荐时调整推荐得分以提高推荐准确性。

    May, 2021

  • 因果推断与机器学习中的工具变量方法：一项调查

    介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

    Dec, 2022