面向可信推荐系统的因果学习：综述
信息检索
2025-02-19 v2
摘要
推荐系统 (RS) 显著推进了在线内容过滤与个性化决策。然而，推荐系统中新出现的脆弱性催生了向可信推荐系统 (TRS) 的范式转变。尽管在 TRS 上取得了实质性进展，但大多数工作聚焦于数据相关性，而忽视了推荐的根本因果特性。这一缺陷阻碍了 TRS 识别可信度问题的根本原因，导致公平性、鲁棒性和可解释性受限。为弥补这一空白，因果学习作为一类增强 TRS 的有前景方法应运而生。这些方法以可靠的因果性为基础，在为 TRS 提供深刻解释的同时，擅长缓解各种偏差与噪声。然而，这一活跃领域尚缺乏及时且专门的综述。本文从因果学习的视角构建了 TRS 的概述。我们首先介绍了面向因果的 TRS (CTRS) 的优势与通用流程。随后，我们识别了各个阶段潜在的可信度挑战，并将其与可行的因果解决方案相关联，接着对 CTRS 方法进行了分类。最后，我们讨论了推进该领域的若干未来方向。
引用
@article{arxiv.2402.08241,
title = {Causal Learning for Trustworthy Recommender Systems: A Survey},
author = {Jin Li and Shoujin Wang and Qi Zhang and Longbing Cao and Fang Chen and Xiuzhen Zhang and Dietmar Jannach and Charu C. Aggarwal},
journal= {arXiv preprint arXiv:2402.08241},
year = {2025}
}