点击亦可作伪：缓解标题党问题的反事实推荐

推荐是信息系统中一种普遍且关键的服务。为向用户提供个性化建议，业界采用机器学习，更具体地，基于点击行为数据构建预测模型。这被称为点击率（CTR）预测，已成为构建个性化推荐服务的黄金标准。然而，我们认为点击与用户满意度之间存在显著差距——用户常被物品诱人的标题/封面“欺骗”而点击该物品，这是常见现象。若用户发现所点击物品的实际内容令人失望，将严重损害用户对系统的信任。更糟糕的是，在此类有缺陷的数据上优化CTR模型会导致马太效应，使看似吸引人但实际低质量的物品被更频繁地推荐。在本文中，我们将推荐模型表述为反映推荐中因果因素的因果图，并通过在因果图上执行反事实推断来解决标题党问题。我们设想一个反事实世界，其中每个物品仅有曝光特征（即用户在做出点击决策前可见的特征）。通过估计用户在反事实世界中的点击可能性，我们得以降低曝光特征的直接效应并消除标题党问题。在真实世界数据集上的实验表明，我们的方法显著提升了CTR模型的点击后满意度。