Causal Recommendation:Progresses and Future Directions.pdf

上传者: 43909715 | 上传时间: 2022-04-28 21:06:00 | 文件大小: 5.96MB | 文件类型: PDF
数据驱动的推荐系统在各种Web应用程序中表现出了巨大的成功,这归功于机器学习模型从大量的历史用户行为中识别模式(即相关性)的非凡能力。然而,这些模型仍然存在一些问题,如由于虚假相关性而产生的偏差和不公平。考虑数据背后的因果机制可以避免非因果关系带来的伪相关的影响。在这种情况下,采用因果推荐建模是一个令人兴奋和有前途的方向。因此,因果推荐越来越受到我们推荐界的关注。然而,由于缺乏对这一课题的系统概述,导致研究者和实践者难以理解和跟上这一方向。 在本教程中,我们将介绍因果关系的关键概念,并对因果推荐方面的现有工作进行系统回顾。我们将介绍来自两种不同因果框架的现有方法——潜在结果框架和结构性因果模型。我们将举例并讨论如何在这两个框架下利用不同的因果工具来建模和解决推荐中的问题。将对这两种工作进行比较,以便理解它们之间的区别和联系。此外,我们确定了一些开放的挑战和潜在的未来发展方向。我们希望本教程可以激发更多关于这个主题的想法,并促进因果关系感知推荐系统的发展。

文件下载

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明