结合推荐系统的因果结构学习
信息检索
2022-10-20 v1 机器学习
摘要
推荐系统（Recommendation System, RS）的一个基本挑战是理解用户决策背后的因果动力学。大多数现有文献利用从领域知识推断出的因果结构来解决该问题。然而，在许多现象中领域知识并不充分，必须从反馈数据中学习因果机制。从 RS 反馈数据中发现因果机制既新颖又具挑战性，因为 RS 本身是一种干预来源，能够同时影响用户的曝光及其交互意愿。也正因如此，大多数现有方案变得不合适，因为它们要求收集不受任何 RS 影响的数据。在本文中，我们首先将底层因果机制表述为因果结构模型，并描述一个基于 RS 真实世界工作机制的通用因果结构学习框架。我们方法的核心在于承认 RS 干预的未知性质。随后我们从框架推导出学习目标，并提出一种增广拉格朗日求解器以实现高效优化。我们进行了仿真和真实世界实验，以展示我们的方法相对于现有方案的优势，并结合来自敏感性和消融研究的实证分析。
引用
@article{arxiv.2210.10256,
title = {Causal Structure Learning with Recommendation System},
author = {Shuyuan Xu and Da Xu and Evren Korpeoglu and Sushant Kumar and Stephen Guo and Kannan Achan and Yongfeng Zhang},
journal= {arXiv preprint arXiv:2210.10256},
year = {2022}
}