推荐因果效应的无偏学习

Aug, 2020

Unbiased Learning for the Causal Effect of Recommendation

Masahiro Sato, Sho Takemori, Janmajay Singh, Tomoko Ohkuma

TL;DR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。

Abstract

Increasing users' positive interactions, such as purchases or clicks, is an important objective of recommender systems. Recommenders typically aim to select items that users will interact with. If the recommended items are purchased, an increase in sales is expected. However, the items

recommender systems causal effect unbiased learning propensity scoring ranking metrics

发现论文，激发创造

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

推荐作为治疗方案：去偏见化学习和评估

该研究提供了一种使用因果推论来处理选择偏差的方法，可实现对推荐系统的评估和训练，并获得实际数据上显着改善的预测效果。

Feb, 2016

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

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

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

通过观测数据估计推荐系统的因果影响

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。

Oct, 2015

消除推荐系统中流行度偏见的模型无关反事实推理

通过因果推断的方法，该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路，并采用多任务学习和反事实推断来实现此方案，有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。

Oct, 2020

具有偏差反馈的无偏学习排序

通过对因果推断框架的提出，使用倾向权重排序支持向量机从隐式反馈学习，消除了数据偏差问题，取得了更好的结果。

Aug, 2016

推荐系统的对抗性反事实学习和评估

本论文提出了一种基于极小值 - 最大值经验风险的新型推荐算法，该算法使用属于敌对领域的候选模型对反驳所述推荐模型中的潜在暴露机制的对手进行了建模，并使用模拟研究验证了此方法在推荐设置的不同方面的优越性。

Nov, 2020

使用无偏倾向估计的无偏学习排序

本文提出了一种名为 DLA 的双重学习算法，该算法可以联合学习无偏好排名和无偏好倾向模型，以直接从有偏好的点击数据中学习无偏好排名模型，避免了对点击数据的特殊要求，实现了自适应学习和在线学习。实验结果表明，使用 DLA 训练的模型明显优于基于结果随机化和基于点击模型提取的相关信号的无偏好学习至排名算法。

Apr, 2018