动态因果协同过滤

因果图作为因果建模的有效且强大的工具，通常被假定为有向无环图（DAG）。然而，推荐系统通常涉及反馈循环，定义为推荐物品、将用户反馈纳入模型更新并重复该过程的循环过程。因此，将循环纳入因果图以准确建模推荐系统的动态与迭代数据生成过程十分重要。然而，反馈循环并非总是有益的，因为随时间推移它们可能促使内容曝光越来越窄，若不加干预可能导致回声室。因此，理解推荐何时将导致回声室以及如何在不损害推荐性能的前提下缓解回声室十分重要。本文中，我们设计了一个带循环的因果图来描述推荐的动态过程。随后采用马尔可夫过程分析回声室的数学性质，如导致回声室的条件。受理论分析启发，我们提出了一种动态因果协同过滤（$\partial$CCF）模型，该模型基于后门调整估计用户干预后对物品的偏好，并利用反事实推理缓解回声室。在真实世界数据集上进行了多项实验，结果表明我们的框架比其他最先进框架能更好地缓解回声室，同时与基础推荐模型取得相当的推荐性能。