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。
2022-04-28 21:06:00
5.96MB
机器学习