旁观者之眼：基于因果用户建模的鲁棒预测

准确预测物品对用户的相关性对许多社交平台的成功至关重要。传统方法在记录的历史数据上训练模型；但推荐系统、媒体服务和在线市场都表现出新内容的持续涌入——这使得相关性成为一个移动目标，标准预测模型对其并不鲁棒。在本文中，我们提出了一种对数据分布变化鲁棒的相关性预测学习框架。我们的关键观察是，通过考虑用户如何因果地感知环境可以获得鲁棒性。我们将用户建模为有界理性决策者，其因果信念由因果图编码，并展示了如何利用关于该图的极少信息来应对分布变化。多种设置下的实验证明了我们方法的有效性。