CausCF：用于推荐效应估计的因果协同过滤
信息检索
2021-05-31 v1
摘要
为提升用户体验与企业利润，现代工业推荐系统通常旨在选择最可能被交互（如点击与购买）的物品。然而，它们忽视了用户即便无推荐也可能购买物品的事实。为筛选这些有效物品，估计推荐的因果效应至关重要。真正有效的物品是那些能贡献于购买概率提升者。尽管如此，由于同一时间只能向用户推荐或不推荐某物品，难以获得真实因果效应。此外，先前工作通常依赖随机对照试验（RCT）实验评估其性能。然而，因其耗时不可行，该实验在推荐场景中通常不切实际。为解决这些问题，本文受广泛采用的协同过滤（CF）技术启发，提出一种因果协同过滤（CausCF）方法。其基于如下理念：相似用户不仅对物品有相似品味，在推荐下也具有相似处理效应。CausCF将经典矩阵分解扩展为具有用户、物品和处理三维的张量分解。此外，我们还采用回归断点设计（RDD）来评估不同模型估计因果效应的精度。在可检验假设下，RDD分析可在无RCT实验时提供无偏因果结论。通过在公开数据集与工业应用上的专门实验，我们证明了所提CausCF在因果效应估计与排序性能提升上的有效性。
引用
@article{arxiv.2105.13881,
title = {CausCF: Causal Collaborative Filtering for RecommendationEffect Estimation},
author = {Xu Xie and Zhaoyang Liu and Shiwen Wu and Fei Sun and Cihang Liu and Jiawei Chen and Jinyang Gao and Bin Cui and Bolin Ding},
journal= {arXiv preprint arXiv:2105.13881},
year = {2021}
}