基于观测数据估计推荐系统的因果影响
社会与信息网络
2015-10-20 v1 应用统计
摘要
推荐系统已成为网络中日益突出的部分，在数个全球最受欢迎的网站中占据了高达三分之一的流量。然而，对于若没有推荐、通过其他手段（如搜索）也会发生的活动之外，此类系统实际引发了多少活动，人们知之甚少。尽管估计推荐因果影响的首选方式是通过随机实验，但此类实验成本高昂且可能给用户带来不便。因此，本文提出一种仅从观测数据估计因果效应的方法。具体而言，我们证明当某产品经历直接流量的瞬时冲击而其相邻推荐的产品未经历时，通过工具变量进行因果识别是可能的。随后我们将该方法应用于包含 Amazon.com 上 210 万用户长达 9 个月匿名活动的浏览日志，并分析了经历此类冲击的逾 4000 种独特产品。我们发现，尽管推荐点击确实占这些产品流量的很大比例，但至少 75% 的此类活动在无推荐的情况下也可能发生。最后我们讨论了该方法适用的假设条件，以及将结果外推至其他产品、站点或场景时的注意事项。
引用
@article{arxiv.1510.05569,
title = {Estimating the Causal Impact of Recommendation Systems from Observational Data},
author = {Amit Sharma and Jake M. Hofman and Duncan J. Watts},
journal= {arXiv preprint arXiv:1510.05569},
year = {2015}
}
备注
ACM Conference on Economics and Computation (EC 2015)