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

本文系统概要总结研究论文中七种推荐偏差类型及其特点、定义，提供分类学和组织现有关于推荐去偏差的工作，并确定一些开放式挑战和未来方向。

Oct, 2020

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

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

本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果，从而使人类和算法能够选择改变，以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。

Sep, 2012

机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。

Jul, 2016

通过训练泛域用户 - 物品交互数据，我们提出了一个适应性泛型推荐系统，该系统能够捕捉通用交互模式，并能在不同领域中快速适应以提高零样本和少样本学习性能。然而，不同领域的推荐数据存在域内和跨域偏差，我们通过引入因果去偏视角和预测模型 PreRec 有效克服了这一挑战，实证结果表明在跨市场和跨平台场景下，该模型能显著提升推荐性能。

Oct, 2023

本研究论文对推荐系统进行了综述，并指出现有方法的局限性，即很多方法只针对已有数据进行学习，难以应用于新用户或物品，同时也难以动态更新。因此，未来应该发展基于归纳学习和增量更新的推荐模型，并提出了未来研究的方向和待解决的问题。

Nov, 2022

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

本文提出了一种基于因果解缠的社交推荐系统，名为 CDRSB，用于改进推荐性能。实验结果表明，与现有方法相比，CDRSB 在四个大规模真实世界数据集上的效果更好，解决了社交推荐系统面临的社交影响偏差问题。

Mar, 2024