缓解因果推荐中的隐变量混杂效应

当存在同时影响物品特征与用户反馈（如是否点赞）的混杂因素时，推荐系统会受到混杂偏差的影响。现有的因果推荐方法通常假设混杂因素被完全观测和度量，忽略了实际应用中可能存在的隐变量混杂因素。例如，产品质量是一个混杂因素，因为它同时影响物品价格和用户评分，但由于大规模质量检测的困难，对第三方电商平台而言它是隐藏的；忽略它可能导致过度推荐高价物品的偏差效应。本文从因果视角分析并解决该问题。关键在于建模物品特征对用户反馈的因果效应。为缓解隐变量混杂效应，在不度量混杂因素的情况下估计因果效应是必要但具有挑战性的。为此，我们提出隐变量混杂去除（HCR）框架，利用前门调整根据物品特征与用户反馈之间的中介变量将因果效应分解为两个偏效应。这些偏效应独立于隐变量混杂因素且可识别。在训练过程中，HCR执行多任务学习以从历史事件交互中推断偏效应。我们针对两种场景实例化了HCR，并在三个真实世界数据集上进行了实验。实证结果表明，HCR框架提供了更准确的推荐，尤其是对低活跃度用户。论文录用后我们将开源代码。