CFRecs：基于真实房地产用户 listing 交互图的反事实推荐
机器学习
2026-02-06 v1 机器学习
摘要
图结构数据在众多在线平台中广泛存在且强大，能够表示复杂关系。虽然图神经网络（GNN）广泛用于从此类数据中学习，但反事实图学习日益成为提高模型可解释性的有前景方法。反事实解释研究聚焦于识别与原始图相似但导致不同预测的反事实图。这些解释同时优化两个目标：反事实图中变化的稀疏性以及其预测的有效性。基于这些定性优化目标，本文引入 CFRecs，将反事实解释转化为可操作的洞察。CFRecs 采用两阶段架构，包括图神经网络（GNN）和图变分自编码器（Graph-VAE）， strategically 提议最小且高影响的图结构和节点属性变化，以实现可取的结果。我们将 CFRecs 应用于 Zillow 的图结构数据，为购房者和卖家者提供可操作的推荐，帮助他们 navigate 激烈的房地产市场并实现 homeownership 目标。在 Zillow 用户-listing 交互数据上的实验结果表明 CFRecs 有效，同时为图中反事实推理提供了新视角。
引用
@article{arxiv.2602.05861,
title = {CFRecs: Counterfactual Recommendations on Real Estate User Listing Interaction Graphs},
author = {Seyedmasoud Mousavi and Ruomeng Xu and Xiaojing Zhu},
journal= {arXiv preprint arXiv:2602.05861},
year = {2026}
}