Self-Attentive Sequential Recommendation with Cheap Causal Convolutions
顺序推荐是当前的一个研究热点，它利用用户的行为序列作为输入来预测用户的未来行为。基于自我注意力机制的模型通过点积估计历史行为的相关强度，可以捕捉序列的长期偏好。然而，它有两个局限性。一方面，它没有有效地利用项目的本地上下文信息时，确定的注意力和创建的序列表示。另一方面，卷积层和线性层通常包含冗余信息，这限制了对序列进行编码的能力。本文提出了一种基于廉价因果卷积的自注意顺序推荐模型。它利用因果卷积来捕获项目的局部信息，以计算注意力并生成序列嵌入。它还使用廉价的卷积，以提高表示的轻量级结构。我们评估所提出的模型的有效性，准确和校准的顺序推荐。在基准数据集上的实验表明，该模型在单目标和多目标推荐场景下都有较好的推荐效果。
2023-02-22 cs.IR
CausCF: Causal Collaborative Filtering for RecommendationEffect Estimation
为了改善公司的用户体验和利润，现代工业推荐系统通常旨在选择最有可能与之交互的项目（例如，点击和购买）。然而，他们忽略了这样一个事实，即用户甚至可以在没有推荐的情况下购买物品。为了选择这些有效的项目，必须估计建议的因果效应。真正有效的项目是那些能够提高购买概率的项目。然而，由于我们一次只能向用户推荐或不推荐一个项目，因此很难获得真正的因果效果。此外，以往的研究通常依赖于随机对照试验（RCT）来评价它们的性能。然而，由于其不可用的时间消耗，在推荐场景中通常是不可行的。为了解决这些问题，本文提出了一种因果协同过滤~（CausCF）方法。它是基于这样的想法，即相似的用户不仅对物品有相似的品味，而且在推荐下也有相似的治疗效果。CausCF将经典的矩阵分解扩展到具有三个维度的张量分解-用户，项目和治疗。此外，我们还采用回归不连续设计（RDD）来评估不同模型估计因果效应的精度。在可检验的假设下，RDD分析可以提供无偏的因果关系结论，而无需RCT实验。通过在公共数据集和工业应用上的专门实验，我们证明了我们提出的CausCF在因果效应估计和排名性能改进方面的有效性。
2021-05-28 cs.IR
Causal Inference for Knowledge Graph based Recommendation
知识图谱作为一种辅助信息，被用来补充基于协同过滤的推荐模型。以往的研究大多是通过将项目与知识库中的实体进行映射，从知识库中提取知识信息，并将其注入到用户和项目的表示中。尽管他们的显着的性能，他们未能在KG中的属性建模的用户偏好，因为他们忽略了（1）KG的结构信息可能会阻碍用户偏好学习，（2）用户的交互属性将导致在相似性得分的偏差问题。在因果关系工具的帮助下，我们构建了基于知识生成的推荐中变量之间的因果关系，并找出了导致上述挑战的原因。因此，我们开发了一个新的框架，称为知识图谱的因果推荐（KGCR），它实现了去基础的用户偏好学习，并采用反事实推理，以消除偏见的相似性评分。最终，我们在三个数据集上评估了我们提出的模型，包括Amazon-book，LastFM和Yelp 2018数据集。通过对数据集进行广泛的实验，我们证明了KGCR优于几个最先进的基线，如KGNN-LS，KGAT和KGIN。
2022-12-20 cs.IR
Causal-Invariant Cross-Domain Out-of-Distribution Recommendation
Macquarie University（麦考瑞大学）；Coupang Group（Coupang集团）；Singapore University of Technology and Design（新加坡科技设计大学）
提出CICDOR框架，通过双层级因果结构推断域特定和域共享的因果不变用户偏好，并利用LLM发现混杂因子，解决跨域和单域分布偏移导致的分布外问题，提升推荐准确性。
2026-07-01 cs.IR
Causality-Inspired Fair Representation Learning for Multimodal Recommendation
针对多模态推荐中敏感信息经纠缠因果关系泄露的问题，提出 FMMRec，通过因果启发的模态解耦与关系感知公平学习获得反事实公平用户表示，并在两个公开数据集上优于现有基线。
2025-06-11 cs.IR
A Survey on Causal Inference for Recommendation
本文从因果理论视角系统综述了推荐系统中的因果推断方法，提出基于潜在结果框架、结构因果模型和一般反事实的理论驱动分类法，并展望了未来研究方向。
2024-07-08 cs.IR
CIRR: Causal-Invariant Retrieval-Augmented Recommendation with Faithful Explanations under Distribution Shift
CIRR通过因果不变性学习和一致性约束，解决推荐系统在分布偏移下的性能下降问题，并提供更可信的解释。
2025-12-21 cs.IR
Causal Intervention for Leveraging Popularity Bias in Recommendation
推荐系统通常会面临流行性偏差问题：从数据角度看，项目交互频率呈现不均匀（长尾）分布;从方法角度看，协同过滤方法容易通过过度推荐流行项目而放大偏差。在推荐系统中考虑人气偏差无疑是至关重要的，现有的工作主要是消除偏差效应。然而，我们认为，并非所有的数据偏见都是坏的-有些项目表现出更高的受欢迎程度，因为它们更好的内在质量。盲目追求无偏学习可能会删除数据中的有益模式，降低推荐准确性和用户满意度。本文研究了推荐中一个尚未被探索的问题--如何利用人气偏差来提高推荐的准确率。关键在于两个方面：如何在训练过程中消除流行度偏差的不良影响，以及如何在生成top-K推荐的推理阶段注入所需的流行度偏差。这对推荐生成过程的因果机制提出了质疑。沿着这条线，我们发现，项目的流行度之间的暴露项目和观察到的相互作用，造成偏见放大的不良影响的混淆的作用。为了实现我们的目标，我们提出了一个新的训练和推理模式推荐命名为流行偏见去混淆和调整（PDA）。它消除了模型训练中的混杂流行度偏差，并通过因果干预调整推荐分数与期望的流行度偏差。我们展示了潜在因素模型的新范式，并在三个真实世界的数据集上进行了广泛的实验。实证研究表明，去基训练有助于发现用户的真实兴趣，而引入流行度偏差的推理调整可以进一步提高推荐准确率。
2021-05-13 cs.IR
CausalRec: Causal Inference for Visual Debiasing in Visually-Aware Recommendation
电子商务平台上的视觉感知推荐旨在利用商品的视觉信息来预测用户的偏好。人们通常会观察到，用户对视觉特征的关注并不总是反映真实的偏好。尽管用户可以根据他们的期望的视觉满足来点击和查看物品，但是由于其他基本特征（例如，品牌、材料、价格）。我们把这种与视觉相关的交互偏离真实偏好的原因称为视觉偏见。现有的视觉感知模型利用视觉特征作为类似于其他特征的单独的协作信号来直接预测用户的偏好，而不考虑潜在的偏见，这会产生视觉偏见的推荐。在本文中，我们推导出一个因果图来识别和分析这些现有方法的视觉偏差。在这个因果图中，项目的视觉特征充当了中介，这可能会在用户和项目之间引入虚假的关系。为了消除这种虚假的关系，误导用户的真实偏好的预测，干预和反事实推理的调解人。特别是，在模型的测试阶段，总间接效应应用于去偏预测。这种因果推理框架是模型不可知的，因此它可以集成到现有的方法中。此外，我们提出了一个去偏见的视觉感知推荐系统，表示为CauseRec有效地保留视觉信息的支持意义，并消除视觉偏见。在八个基准数据集上进行了大量的实验，显示了Causal Rec的最新性能和去偏置的功效。
2021-07-13 cs.IR
CDC: Causal Domain Clustering for Multi-Domain Recommendation
提出因果域聚类（CDC）方法，通过建模域间迁移效应并动态优化聚类，解决多域推荐中域差异导致的性能下降问题，在超50个域上显著提升效果，在线eCPM提升4.9%。
2025-07-09 cs.IR
Causal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation
针对双目标跨域推荐中混淆因子干扰用户偏好捕捉的问题，提出基于混淆因子解耦的因果去混淆框架CD2CDR，通过解耦单域与跨域混淆因子、结合后门调整去混淆，在7个真实数据集上取得优于SOTA的效果。
2025-05-22 cs.IR
CausalRec: A CausalBoost Attention Model for Sequential Recommendation
School of Software and Microelectronics（软件与微电子学院）；Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；National Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）；School of Intelligence Science and Technology（智能科学与技术学院）
CausalRec通过因果发现与CausalBooster优化注意力机制，解决序列推荐中虚假相关性问题，在HR和NDCG上分别平均提升7.21%和8.65%，是首个将因果性融入注意力机制的序列推荐模型。
2025-10-24 cs.AI cs.IR
Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation
针对推荐系统在用户属性演变导致分布外泛化困难的问题，提出跨域因果偏好学习模型CDCOR，通过域对抗网络和因果结构学习器捕捉不变偏好，在数据稀疏和分布外场景下显著提升推荐性能。
2024-04-23 cs.IR
Disentangling User Interest and Conformity for Recommendation with Causal Embedding
推荐模型通常根据观察性交互数据进行训练。然而，观察性交互数据可能会导致用户对流行项目的一致性，这会纠缠用户的真正兴趣。现有的方法跟踪这个问题，消除流行偏见，例如，通过重新加权训练样本或利用一小部分无偏数据。然而，这些方法忽略了用户一致性的多样性，并且将交互的不同原因捆绑在一起作为统一的表示，因此当潜在原因发生变化时，不能保证鲁棒性和可解释性。在本文中，我们提出了DICE，一个通用的框架，学习表示的兴趣和一致性在结构上解开，和各种骨干推荐模型可以顺利集成。我们为用户和项目分配单独的兴趣和一致性嵌入，并通过使用因果推理的碰撞效应获得的特定于原因的数据进行训练，使每个嵌入仅捕获一个原因。我们提出的方法优于最先进的基线，在各种骨干模型之上的两个真实数据集上有显着的改进。我们进一步证明了学习的嵌入成功地捕捉到了所需的原因，并表明DICE保证了推荐的鲁棒性和可解释性。
2021-02-19 cs.IR
Neural Causal Graph Collaborative Filtering
本文提出NCGCF框架，将因果图、神经因果建模与变分推断融入基于GCN的图协同过滤，以捕捉用户兴趣背后的复杂因果关系并提升推荐准确性。
2024-04-07 cs.IR
Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation
The University of New South Wales（新南威尔士大学）；Macquarie University（麦考瑞大学）；Osaka University（大阪大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
本文提出因果解耦变分自编码器CaD-VAE，利用结构因果模型建模推荐场景中潜在因素间的因果关系，以学习因果解耦表示，从而提升推荐模型的鲁棒性、可解释性与可控性，并在实验中优于现有方法。
2023-04-17 cs.AI cs.IR
Mitigating Hidden Confounding Effects for Causal Recommendation
针对推荐系统中隐藏混杂因素导致的偏差，提出HCR框架，利用前门调整分解因果效应，在多个数据集上验证了推荐准确性的提升，尤其对低活跃用户。
2024-05-24 cs.IR
Fair Reciprocal Recommendation in Matching Markets
本文研究双边匹配市场中的互惠推荐公平性问题，提出基于纳什社会福利函数的方法寻找接近无嫉妒的推荐策略，以在期望匹配数量与机会公平之间取得平衡。
2024-09-01 cs.IR
A Semi-Synthetic Dataset Generation Framework for Causal Inference in Recommender Systems
准确的推荐和可靠的解释是现代推荐系统的两个关键问题。然而，大多数推荐基准只关注用户项目评分的预测，而忽略了评分背后的潜在原因。例如，广泛使用的Yahoo！R3数据集包含的关于用户电影评级原因的信息很少。一个解决办法是进行调查，并要求用户提供这类信息。在实践中，用户调查很难避免遵从性问题和稀疏的用户响应，这极大地阻碍了基于感知的推荐的探索。为了更好地支持推荐系统中的因果推理和进一步解释的研究，我们提出了一种新的推荐系统半合成数据生成框架，该框架采用带有缺失的因果图模型来描述实际推荐场景的因果机制.为了说明我们的框架的使用，我们构建了一个半合成的数据集与因果标签和评级（CTAR）的基础上，电影以及他们的描述性标签和评级信息收集从一个著名的电影评级网站。使用所收集的数据和因果图，自动生成用户项目评级及其对应的用户项目标签，其提供用户对项目进行评级的原因（所选标签）。还报告了关于CTAR数据集的描述性统计量和基线结果。建议的数据生成框架不仅限于推荐，而且发布的API可以用于生成其他研究任务的自定义数据集。
2022-02-23 cs.IR
Disentangled Counterfactual Reasoning for Unbiased Sequential Recommendation
本文提出DCR方法，通过解耦流行度与兴趣表示并构建结构因果图，结合反事实推理消除序列推荐中的流行度偏差，离线实验和在线A/B测试验证了其显著性能提升。
2023-08-05 cs.IR
Learning Post-Hoc Causal Explanations for Recommendation
Rutgers University（罗格斯大学）；Renmin University of China（中国人民大学）
最先进的推荐系统具有生成高质量推荐的能力，但由于使用黑盒预测模型，通常不能向人类提供直观的解释。缺乏透明度突出了提高推荐系统的可解释性的至关重要性。在本文中，我们建议从用户交互历史中提取因果规则作为黑盒顺序推荐机制的事后解释，同时保持推荐模型的预测准确性。我们的方法首先获得反事实的例子与援助的扰动模型，然后提取个性化的因果关系的推荐模型，通过因果规则挖掘算法。在几个最先进的顺序推荐模型和真实数据集上进行了实验，以验证我们的模型在生成因果解释方面的性能。同时，我们从质量和可信度两个方面对所发现的因果解释进行了评价，结果表明，与传统的关联规则相比，因果规则能够为黑盒推荐模型的行为提供个性化的、更有效的解释。
2021-02-23 cs.AI cs.IR cs.LG
Context-Aware Disentanglement for Cross-Domain Sequential Recommendation: A Causal View
Shanghai University of Finance and Economics（上海财经大学）；Nanyang Technological University（南洋理工大学）
本文提出CoDiS框架，通过因果视角解耦跨域共享与特定偏好，解决跨域推荐中上下文忽略、领域梯度冲突和用户重叠假设的问题，实验表明其优于现有方法。
2026-04-09 cs.IR
Causal Disentangled Recommendation Against User Preference Shifts
推荐系统容易面临用户偏好变化的问题。如果用户的偏好随着时间的推移而改变，用户表示将变得过时并导致不适当的推荐。为了解决这个问题，现有的工作集中在学习鲁棒的表示或预测的变化模式。缺乏一个全面的观点来发现用户偏好变化的根本原因。为了理解偏好转移，我们抽象出一个因果图来描述用户交互序列的生成过程。假设用户偏好在短时间内是稳定的，我们抽象的交互序列作为一组按时间顺序排列的环境。从因果图中，我们发现一些未观察到的因素的变化（例如，怀孕）导致环境之间的偏好转变。此外，细粒度的用户偏好的类别稀疏影响与不同的项目的交互。受因果图的启发，我们处理偏好转移的关键考虑因素在于通过以下方式对交互生成过程进行建模：1）捕获跨环境的偏好转移以进行准确的偏好预测，以及2）将用户偏好对交互的稀疏影响分离出来以进行准确的偏好效果估计。为此，我们提出了一个因果分解推荐（CDR）框架，它通过时间变分自编码器捕获偏好转移，并学习来自多个环境的稀疏影响。具体地说，编码器是用来推断未观察到的因素，从用户的交互，而解码器是模型的交互生成过程。此外，我们引入了两个可学习的矩阵来解开用户偏好对交互的稀疏影响。最后，我们设计了一个多目标损失优化CDR。在三个数据集上的大量实验表明了CDR的优越性。
2023-03-28 cs.IR
Leveraging Watch-time Feedback for Short-Video Recommendations: A Causal Labeling Framework
针对短视频推荐中现有方法直接用观看时长作标签存在语义利用不足、引入偏差的问题，提出去偏多语义提取标注框架DML，通过分位数构建多语义标签并结合因果调整去偏，经实验验证可有效挖掘用户真实兴趣、提升参与度。
2023-08-28 cs.IR
Causality Enhancement for Cross-Domain Recommendation
Xiaohongshu Co., Ltd（小红书公司）
针对跨域推荐中因果信息利用不足的问题，提出因果增强框架CE-CDR，通过因果图重构、因果感知数据集构建及无偏部分标签因果损失，生成丰富跨域表示以增强目标域推荐，实验验证其有效性和通用性。
2025-10-16 cs.AI cs.IR
Deep Deconfounded Content-based Tag Recommendation for UGC with Causal Intervention
传统的基于内容的标签推荐系统直接学习用户生成内容（UGC）和标签之间的关联，基于收集的UGC标签对。然而，由于UGC上传者同时创建UGC并选择相应的标签，因此她的个人偏好不可避免地使标签选择产生偏差，这使得这些上传者无法了解UGC的内容特征对标签的因果影响。在本文中，我们提出了一个深度去基础的基于内容的标签推荐系统，即DecTag，以解决上述问题。我们首先建立一个因果图来表示上传者，UGC和标签之间的关系，其中上传者被识别为混淆，虚假关联UGC和标签选择。具体而言，为了消除混淆偏差，通过后门调整对图中的UGC节点进行因果干预，其中上传者对通过后门路径泄漏的标签的影响可以被消除以用于因果效应估计。观察到用do演算调整因果图需要整合整个上传者空间，这是不可行的，我们设计了一种新的基于Monte Carlo（MC）的估计器与bootstrap，它可以实现渐近无偏性，前提是所收集的UGC的上传者是独立同分布的。从人口中抽取样本。此外，MC估计器具有在训练阶段用来自群体的假设随机上传者替换有偏上传者的直觉，其中可以以可解释的方式实现去干扰。最后，我们建立了一个YT-8 M-Causal数据集的基础上，广泛使用的YouTube-8 M数据集的因果干预，并提出了相应的评估策略，以无偏地评估因果标签标注。大量的实验表明，DecTag比最先进的因果分类器对混杂偏差更鲁棒。
2023-01-02 cs.IR
Taming Recommendation Bias with Causal Intervention on Evolving Personal Popularity
Institute of Science（科学研究所）；The University of Tokyo（东京大学）；Singapore Management University（新加坡管理大学）
本文提出 CausalEPP 方法，通过引入演化个人流行度指标量化用户偏好，设计因果图结合从众效应并进行去混杂训练，有效减轻了推荐系统中的流行度偏差并提升了准确率。
2025-05-28 cs.IR cs.LG
Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）；University of New South Wales（新南威尔士大学）；Tsinghua University（清华大学）
传统的基于观察交互数据训练的推荐模型在广泛的应用中产生了很大的影响，但它面临着覆盖用户真实意图的偏差问题，从而降低了推荐效果。现有的方法跟踪这个问题，因为消除了鲁棒推荐的偏差，例如，通过重新加权训练样本或学习解纠缠表示。非纠缠表征方法通过揭示偏差产生的因果关系来消除偏差。然而，如何设计语义感知和公正的表示用户的真实意图在很大程度上是未知的。为了弥合这一差距，我们首先从因果的角度提出了一种无偏见的语义感知的解纠缠学习，称为CaDSI（因果解纠缠语义感知意图学习）。特别是，CaDSI明确地建模的因果关系的推荐任务，从而产生语义感知表示通过解开用户的真实意图知道特定的项目上下文。此外，因果干预机制的目的是消除混淆的偏见源于上下文信息，这进一步调整语义感知表示与用户的真实意图。大量的实验和案例研究都验证了我们提出的模型的鲁棒性和可解释性。
2022-02-05 cs.IR cs.LG
Addressing Confounding Feature Issue for Causal Recommendation
在推荐系统中，某些特征直接影响交互是否发生，使得发生的交互不一定代表用户的偏好。例如，短视频客观上更容易完成，即使用户不喜欢该视频。我们称这种特征为混杂特征，而视频长度是视频推荐中的一个混杂特征。如果我们像大多数数据驱动的推荐系统一样，在这样的交互数据上拟合一个模型，模型将偏向于推荐更多的短视频，偏离用户的实际需求。这项工作从因果关系的角度阐述和解决问题。假设存在影响混淆特征和其他项目特征的一些因素，例如，视频创建者，我们发现混淆功能打开了用户项匹配背后的后门路径，并引入了虚假的相关性。为了消除后门路径的影响，我们提出了一个名为Deconfounding因果推荐（DCR）的框架，它使用do-calculus进行干预推理。然而，评估do演算需要对混杂特征的所有可能值的预测求和，这显著增加了时间成本。为了解决效率的挑战，我们进一步提出了一个混合专家模型（MoE）模型架构，建模与一个单独的专家模块的混淆功能的每个值。通过这种方式，我们保留了模型的表现力，很少的额外成本。我们在神经因子分解机（NFM）的主干模型上演示了DCR，表明DCR可以以较小的推理时间成本更准确地预测用户偏好。
2022-08-26 cs.IR
M-scan: A Multi-Scenario Causal-driven Adaptive Network for Recommendation
针对多场景推荐中隐式学习不确定性、跨场景数据引入预测偏差的问题，提出融合场景感知协同注意力机制与因果反事实偏差消除模块的M-scan模型，在公开数据集上取得优于基线的效果。
2024-04-15 cs.IR
The Deconfounded Recommender: A Causal Inference Approach to Recommendation
Columbia University（哥伦比亚大学）；Netflix Inc.（奈飞公司）；Mila；HEC Montréal（蒙特利尔高等商学院）
推荐的目标是向用户展示他们喜欢的项目。虽然通常被框定为预测，但推荐的精神是回答一个介入性的问题-对于每个用户和电影，如果我们“强迫”用户观看电影，评分会是多少？为此，我们开发了一种因果推荐方法，其中观看电影是一种“治疗”，用户的评级是一种“结果”。“问题是可能存在未观察到的混杂因素，这些变量影响用户观看的电影以及他们如何评价它们;未观察到的混杂因素阻碍了观察数据的因果预测。为了解决这个问题，我们开发了去基推荐器，一种使用经典推荐模型进行因果推荐的方法。在Wang & Blei [23]之后，去基推荐器涉及两个概率模型。第一个模型是用户观看的电影;它为未观察到的混杂因素提供了替代品。第二个模型模拟每个用户如何评价每部电影;它使用替代品来帮助解释混淆因素。这种两阶段方法消除了由于混淆而导致的偏倚。它改善了推荐，并在测试集上具有稳定的性能。
2019-05-27 cs.IR cs.LG stat.ML
Large Language Model Enhanced Graph Invariant Contrastive Learning for Out-of-Distribution Recommendation
本文提出InvGCLLM框架，结合大语言模型与图不变学习，通过因果引导对比学习提升分布外推荐性能。
2025-11-23 cs.IR
Causal Structure Learning with Recommendation System
Rutgers University（罗格斯大学）；Walmart Labs（沃尔玛实验室）；Indeed
推荐系统的一个基本挑战是理解用户决策背后的因果动力学。大多数现有的文献解决这个问题，使用领域知识推断的因果结构。然而，有许多现象，领域知识是不够的，因果机制必须从反馈数据中学习。从RS反馈数据中发现因果机制既新颖又具有挑战性，因为RS本身就是一种干预来源，可以影响用户的暴露和他们的互动意愿。同样出于这个原因，大多数现有的解决方案变得不合适，因为它们需要从任何RS免费收集数据。在本文中，我们首先制定了潜在的因果机制作为因果结构模型，并描述了一个通用的因果结构学习框架，在现实世界的RS工作机制接地。我们的方法的本质是承认RS干预的未知性质。然后，我们从我们的框架中推导出学习目标，并提出了一个增强的拉格朗日求解器进行有效的优化。我们进行模拟和现实世界的实验，以证明我们的方法相比，有利的现有解决方案，以及从敏感性和消融研究的实证分析。
2022-10-19 cs.IR cs.LG
Causal Direct Preference Optimization for Distributionally Robust Generative Recommendation
Northeastern University, Shenyang, China（东北大学，沈阳，中国）；Shenzhen Campus of Sun Yat-sen University, China（中山大学深圳校区，中国）
针对直接偏好优化（DPO）在生成式推荐中放大环境混杂因素导致的虚假相关性问题，提出CausalDPO，通过因果不变性学习、后门调整和软聚类环境建模来提升分布外泛化性能。
2026-05-27 cs.AI cs.IR
A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems
提出LCDR框架，利用可辨识变分自编码器作为因果约束对齐潜在表示，以缓解推荐系统中的混杂偏差，并在三个真实数据集上优于现有方法。
2025-05-22 cs.IR
Contrastive Counterfactual Learning for Causality-aware Interpretable Recommender Systems
针对观测反馈中的曝光偏差与混杂因素难题，提出结合逆倾向得分、正样本扩展及三种正采样策略的对比反事实学习方法 CCL，并在两个真实数据集上验证其优于现有方法。
2023-08-17 cs.IR
Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure
Cadence通过因果去偏共购关系和反事实暴露提升推荐多样性，同时保持准确性。
2025-12-19 cs.AI cs.IR
CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning
Yanshan University（燕山大学）；Xinjiang College of Science & Technology（新疆科技学院）；Peking University（北京大学）
针对现有药物推荐方法存在因果关系挖掘不足、多粒度信息整合缺失导致的偏差问题，提出融合因果推断与双粒度药物表示学习的CIDGMed方法，搭配偏差校正模型，在准确率、安全性与效率上均优于现有最优模型。
2024-10-30 cs.AI cs.IR
Causality-Aware Neighborhood Methods for Recommender Systems
Fuji Xerox（富士施乐）
广告商的商业目标，如增加销售额，与建议的因果效应相一致。以往的因果效应分析采用逆倾向评分法进行因果推理。然而，IPS易于遭受高方差。匹配估计量是因果推理领域的另一个代表性方法。它不使用倾向，因此不存在上述方差问题。在这项工作中，我们将传统的邻域推荐方法与匹配估计相结合，并为推荐的因果效应开发了鲁棒的排名方法。我们的实验表明，所提出的方法在因果效应的排名指标方面优于各种基线。结果表明，所提出的方法可以实现更多的销售和用户参与比以前的广告。
2021-01-30 cs.IR cs.LG
Causal Inspired Multi Modal Recommendation
National University of Singapore Master of Industrial and Systems Engineering（新加坡国立大学工业与系统工程硕士）；East China Normal University Master of Library and Information Science（华东师范大学图书馆与信息科学硕士）；Shandong Normal University（山东师范大学）
针对多模态推荐中的模态混杂和交互偏差，提出因果启发的推荐框架，通过双通道扩散识别混杂因素，结合后门与前门调整构建去混杂因果子图，在三个电商数据集上显著优于现有方法。
2025-10-14 cs.AI cs.IR
Unbiased Learning for the Causal Effect of Recommendation
Fuji Xerox（富士施乐）
增加用户的积极互动，如购买或点击，是推荐系统的一个重要目标。推荐通常旨在选择用户将与之交互的项目。如果购买了推荐的商品，预计销售额会增加。然而，即使没有推荐，这些物品也可以购买。因此，我们希望推荐那些因推荐而导致购买的商品。这可以被公式化为因果效应的排序问题。尽管它的重要性，这个问题还没有得到很好的探讨，在相关的研究。这是具有挑战性的，因为因果效应的基础事实是不可观察的，并且估计因果效应容易受到当前部署的随机变量产生的偏差的影响。本文提出了一个无偏的学习框架的因果关系的建议。基于逆倾向评分技术，所提出的框架首先构造无偏估计的排名指标。然后，它进行经验风险最小化的估计与倾向封顶，减少了有限的训练样本下的方差。基于该框架，我们开发了一个无偏学习方法的因果效应扩展的排名度量。我们从理论上分析了所提出的方法的无偏性和经验证明，所提出的方法优于其他有偏学习方法在各种设置。
2020-09-23 cs.IR cs.LG stat.ML
Breaking Feedback Loops in Recommender Systems with Causal Inference
University of California Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
推荐系统在塑造现代网络生态系统中发挥着关键作用。这些系统在（1）做出推荐（2）收集用户对这些推荐的响应以及（3）基于该反馈重新训练推荐算法之间交替。在此过程中，推荐系统会影响随后用于更新的用户行为数据，从而创建一个反馈循环。最近的工作表明，反馈循环可能会损害推荐质量和同质化的用户行为，提高道德和性能的关注时，部署推荐系统。为了解决这些问题，我们提出了反馈循环因果调整（CAFL），这是一种使用因果推理可证明地打破反馈循环的算法，可以应用于任何优化训练损失的推荐算法。我们的主要观察是，一个推荐系统不会遭受反馈回路，如果它的原因因果量，即干预分布的建议用户评级。此外，我们可以通过调整推荐系统对用户偏好的预测，从观察数据中计算出这种干预分布。使用模拟环境中，我们证明了CAFL提高推荐质量相比，以前的校正方法。
2022-07-15 cs.IR cs.LG stat.ML
Deep Causal Reasoning for Recommendations
Wuhan University（武汉大学）
传统的推荐系统的目标是估计用户的评级的基础上观察到的评级从人口的项目。与所有观察性研究一样，隐藏的混杂因素是影响项目暴露和用户评级的因素，会导致估计中的系统性偏倚。因此，从因果关系的角度来消除混杂因素的影响是推荐系统研究的一个新趋势。观察到，在建议中的混杂因素通常是共享的项目，因此是多原因的混杂因素，我们模型的建议作为一个多原因多结果（MCMO）推理问题。具体来说，为了纠正混淆偏差，我们估计用户特定的潜变量，使项目曝光独立伯努利试验。生成分布由具有因子化逻辑似然的DNN参数化，并且通过变分推断估计难处理的后验。控制这些因素作为替代混杂因素，在温和的假设下，可以消除多原因混杂因素引起的偏倚。此外，我们表明，MCMO建模可能会导致高方差，由于稀缺的观测与高维因果空间。幸运的是，我们从理论上证明，引入用户特征作为预处理变量可以大大提高样本效率，减轻过拟合。模拟和真实世界数据集上的实证研究表明，所提出的深度因果推荐器比最先进的因果推荐器对未观察到的混杂因素表现出更强的鲁棒性。代码和数据集在https://github.com/yaochenzhu/deep-deconf上发布。
2022-11-21 cs.IR cs.LG
Proactive Recommendation in Social Networks: Steering User Interest with Causal Inference
University of Science and Technology of China（中国科学技术大学）；Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）
社交网络中的前瞻性推荐通过因果推理引导用户兴趣，利用邻居影响调整物品曝光以平衡引导效果与用户体验。
2025-12-31 cs.IR
CSRec: Rethinking Sequential Recommendation from A Causal Perspective
University of Maryland, College Park（马里兰大学帕克分校）
本文提出因果序列推荐框架CSRec，通过预测推荐物品接受概率并回溯决策成因，隔离推荐系统等因素影响，且可融入现有方法，实验证明其显著优于基线。
2024-08-23 cs.IR cs.LG
Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems
针对推荐系统性能长尾分布问题，提出因果多教师蒸馏框架CausalD，利用前门调整处理未观测混淆因素，将多教师集成蒸馏为学生模型以直接推断因果效应，在保持整体性能的同时缓解模型偏差导致的性能异质性。
2024-05-31 cs.IR cs.IT math.IT
Policy-Guided Causal State Representation for Offline Reinforcement Learning Recommendation
The University of New South Wales（新南威尔士大学）；Data 61, CSIRO（联邦科学与工业研究组织数据61部门）
本文提出PGCR两阶段框架，通过因果特征选择策略和状态表示学习，在离线强化学习推荐中隔离因果相关成分，显著提升推荐性能。
2025-02-04 cs.IR cs.LG
LLM4Rec: Large Language Models for Multimodal Generative Recommendation with Causal Debiasing
Department of Software \& Microelectronics Peking University Beijing, China；Department of Software \& Microelectronics Peking University Beijing, China hangli\；Department of Software \& Microelectronics Peking University Beijing, China zehua\；Department of Software \& Microelectronics Peking University Beijing, China xiaofan\；Economic Law School China University of Political Science；Peking University Changsha, China
针对生成式推荐在多模态处理、去偏及透明度问题，提出含五项创新的LLM4Rec框架，以大语言模型为骨干集成多专用模块，在三个基准数据集上实现准确率、公平性、多样性提升且保持计算效率。
2025-10-02 cs.AI cs.CL cs.IR
Causal Intervention for Fairness in Multi-behavior Recommendation
Beihang University（北京航空航天大学）；National University of Singapore（新加坡国立大学）；University of Science and Technology of China（中国科学技术大学）
针对多行为推荐中流行度偏差导致的两类不公平问题，提出基于后门调整的因果框架，通过阻断混杂因素路径、平衡流行度与质量影响，在不损失准确率的前提下提升推荐公平性。
2024-04-17 cs.AI cs.IR
Dynamic Causal Collaborative Filtering
Rutgers University（罗格斯大学）；Salesforce Research（赛富时研究院）
因果图作为一种有效的因果建模工具，通常被认为是一个有向无环图。然而，推荐系统通常涉及反馈循环，定义为推荐项目的循环过程，将用户反馈纳入模型更新，并重复该过程。因此，重要的是将循环纳入因果图中，以准确地建模推荐系统的动态和迭代数据生成过程。然而，反馈循环并不总是有益的，因为随着时间的推移，它们可能会鼓励越来越窄的内容曝光，如果不加注意，可能会导致回音室。因此，重要的是要了解建议何时会导致回音室，以及如何在不损害建议性能的情况下减轻回音室。在本文中，我们设计了一个因果图的循环来描述推荐的动态过程。然后，我们采取马尔可夫过程来分析回声室的数学性质，如条件，导致回声室。在理论分析的启发下，本文提出了一种动态因果协同过滤（$\partial$ CCF）模型，该模型基于后门调整估计用户对项目的干预后偏好，并通过反事实推理消除回音室。在真实数据集上进行了多个实验，结果表明，我们的框架可以比其他最先进的框架更好地减轻回声室，同时实现与基本推荐模型相当的推荐性能。
2022-08-23 cs.AI cs.IR cs.LG
CLEAR: Causal Explanations from Attention in Neural Recommenders
Intel Labs（英特尔实验室）
我们提出了CLEAR，一种学习特定会话的因果图的方法，在可能存在的潜在混杂因素，从预先训练的基于注意力的决策者的注意力。这些因果图描述了用户行为，在注意力捕获的背景下，可以为推荐提供反事实的解释。从本质上讲，这些因果图允许回答任何特定会话的“为什么”问题。使用实证评估，我们表明，相比天真地使用注意力权重来解释输入-输出关系，CLEAR发现的反事实解释更短，替代建议在原始的前k建议中排名更高。
2022-10-07 cs.AI cs.IR cs.LG
Graph Representation Learning via Causal Diffusion for Out-of-Distribution Recommendation
Northeastern University（东北大学）
针对图神经网络在分布外数据上泛化能力下降的问题，提出CausalDiffRec方法，利用后门调整和变分推断消除环境混杂因素，并在扩散过程反向阶段学习不变的图表示，显著提升了多个数据集上的OOD推荐性能。
2025-04-02 cs.AI cs.IR cs.LG
Causal Structure Representation Learning of Confounders in Latent Space for Recommendation
MIC Lab, College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院MIC实验室）；Key Laboratory of Trustworthy Distributed Computing and Service (MoE), Beijing University of Posts and Telecommunications（北京邮电大学可信分布式计算与服务重点实验室）；Institute of Artificial Intelligence, Beihang University and Zhongguancun Laboratory（北航人工智能研究院和中关村实验室）
本文针对推荐系统中不可观测混杂因素导致用户偏好推断失真的问题，提出在潜在空间解耦混杂因素与用户偏好，并结合局部与全局因果图建模其用户特异性影响，基于变分自编码器构建CSC模型，在多个数据集上验证了模型优越性和因果表示的可控性。
2025-05-06 cs.AI cs.IR cs.LG
Causal Disentanglement with Network Information for Debiased Recommendations
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
推荐系统的目标是通过学习用户和项目的表示来向用户推荐新的项目。在实践中，这些表示是高度纠缠的，因为它们包括关于多个因素的信息，包括用户的兴趣，项目属性以及诸如用户一致性和项目流行度之类的混淆因素。考虑这些纠缠的表示来推断用户偏好可能导致有偏见的推荐（例如，当推荐器模型推荐流行项目时，即使它们不符合用户的兴趣）。最近的研究建议从因果关系的角度来建立推荐系统的模型。暴露和评级分别类似于因果推理框架中的治疗和结局。这种情况下的关键挑战是解释隐藏的混杂因素。这些混杂因素未被观察到，因此很难对其进行测量。另一方面，由于这些混杂因素会影响曝光率和评级，因此在生成无偏见推荐时必须考虑到它们。为了更好地近似隐藏的混杂因素，我们建议利用网络信息（即，用户-社交和用户-项目网络），其被示出影响用户如何发现项目并与项目交互。除了用户一致性，混淆的方面，如项目的流行程度存在于网络信息中也被捕获在我们的方法的帮助下，\textit{causal disentanglement}解开学习表示成独立的因素，负责（a）建模项目的暴露给用户，（b）预测的评级，和（c）控制隐藏的混杂因素。在真实数据集上的实验验证了该模型在去偏推荐系统中的有效性。
2022-04-14 cs.IR cs.LG stat.ML
