Causal Incremental Graph Convolution for Recommender System Retraining
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Innovation Lab of CETC（中国电子科技集团公司创新实验室）
现实世界的推荐系统需要定期重新训练，以保持新的数据。在这项工作中，我们考虑如何有效地重新训练基于图卷积网络（GCN）的推荐模型，这是最先进的技术，用于协同推荐。为了追求高效率，我们将目标设定为仅使用新数据进行模型更新，同时与完全模型再训练相比不牺牲推荐精度。这是不容易实现的，因为交互数据参与用于模型构造的图结构和用于模型学习的损失函数，而旧的图结构不允许用于模型更新。为此，我们提出了一种\textit{Causal Incremental Graph Convolution}方法，它由两个新的算子组成，分别命名为\textit{Incremental Graph Convolution}（IGC）和\textit{Colliding Effect Distillation}（CED），用于估计全图卷积的输出。特别是，我们设计了简单有效的模块IGC巧妙地结合了旧的表示和增量图，有效地融合了长期和短期的偏好信号。CED旨在避免增量图中不活动节点的过时问题，通过因果推理将新数据与不活动节点连接起来。特别是，CED估计的因果关系的影响，新的数据表示不活跃的节点，通过控制他们的碰撞。在三个真实世界数据集上进行的广泛实验表明，与现有的再训练机制相比，准确率有所提高，速度也有了显着提高。
2022-03-01 cs.AI cs.LG
Breaking the Softmax Bottleneck for Sequential Recommender Systems with Dropout and Decoupling
Softmax瓶颈首先在语言建模中被确定为对基于Softmax的模型的表达能力的理论限制。作为最广泛使用的输出概率的方法之一，基于Softmax的模型已经得到了广泛的应用，包括基于会话的推荐系统（SBRS）。基于Softmax的模型由最终线性层顶部的Softmax函数组成。瓶颈已被证明是由于在最后的线性层秩不足，由于其与矩阵分解。在本文中，我们展示了SBRS中Softmax瓶颈的更多方面。与通常的看法相反，过拟合确实发生在最后的线性层，而它通常与复杂网络有关。此外，我们发现在会话序列和候选池之间共享项嵌入的常见技术会产生紧耦合，这也会导致瓶颈。我们提出了一个简单而有效的方法，辍学和解耦（D&D），以减轻这些问题。我们的实验表明，我们的方法显着提高了各种基于Softmax的SBRS算法的准确性。当与其他计算昂贵的方法，如MLP和MoS（Softmax的混合）相比，我们的方法与这些方法相当，有时甚至更好，同时保持与基于Softmax的模型相同的时间复杂度。
2021-10-11 cs.IR cs.LG
Confounding is a Pervasive Problem in Real World Recommender Systems
Criteo Paris（Criteo巴黎）
本文指出未观测混杂在推荐系统中普遍存在，源于特征工程、A/B测试和模块化等常见实践，并通过模拟研究提供减少混杂影响的实用建议。
2025-09-08 cs.IR cs.LG stat.ML
Cross-Dataset Propensity Estimation for Debiasing Recommender Systems
Cornell University（康奈尔大学）
用于推荐系统训练的数据集往往会受到用户和商家选择偏差引起的分布偏移的影响。本文研究了选择偏差对不同量化数据集的影响。然后，我们利用来自不同源分布的两个不同量化的数据集，通过应用来自因果推理的逆概率评分方法来减轻分布偏移。从经验上讲，我们的方法比单数据集方法和组合两个数据集的替代方法获得了显着的性能改进。
2022-12-22 cs.IR cs.LG stat.ME
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
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
Adversarial Counterfactual Learning and Evaluation for Recommender System
Walmart Labs（沃尔玛实验室）
推荐系统的反馈数据往往受到什么是暴露给用户，然而，大多数学习和评价方法不占潜在的曝光机制。我们首先在理论上表明，应用监督学习来检测用户的偏好可能最终与曝光信息的情况下不一致的结果。来自因果推理的反事实倾向加权方法可以解释暴露机制;然而，反馈数据的部分观察性质可能导致可识别性问题。我们提出了一个原则性的解决方案，通过引入极大极小经验风险公式。我们表明，放松的对偶问题可以转换为两个推荐模型之间的对抗性游戏，其中候选模型的对手表征了潜在的曝光机制。我们提供了学习范围，并进行了广泛的模拟研究，以说明和证明所提出的方法在广泛的推荐设置，从而阐明了所提出的方法的各种好处的见解。
2020-11-08 cs.IR cs.LG stat.ML
On the Value of Bandit Feedback for Offline Recommender System Evaluation
Criteo AI Lab（Criteo人工智能实验室）
在学术文献中，推荐系统经常被评估下一个项目预测的任务。该过程旨在回答以下问题：“给定到时间t的用户-项目交互的自然序列，我们能否预测用户在时间t+1将与哪个项目交互？".通过所述方法获得的评估结果然后被用作预测哪个系统将在在线设置中表现得更好的代理。然而，在线设置提出了一个微妙的不同问题：“给定用户与项目交互的自然序列，直到时间t，我们能让用户在时间t+1与推荐项目交互吗？".从因果关系的角度来看，系统执行干预，我们希望衡量其效果。下一个项目预测通常被用作一个后备目标，当有关干预措施及其效果的信息（显示的建议以及是否收到点击）不可用时。然而，当这种类型的数据可用时，它可以为可靠地估计在线推荐系统的性能提供很大的价值。通过一系列的模拟实验与健身房环境，我们显示传统的离线评估方案不足。此外，我们展示了如何利用所谓的强盗反馈进行有效的离线评估，更准确地反映在线性能。
2019-07-26 cs.IR cs.LG stat.ML
Breaking Information Cocoons: A Hyperbolic Framework for Balancing Exploration and Exploitation in Recommender Systems
University of California, Davis（加州大学戴维斯分校）；The Hong Kong University of Science（香港科学大学）；Snap Inc.（Snap公司）；Yale University（耶鲁大学）
提出双曲框架HERec，通过语义增强的层次机制和自动层次聚类，在推荐系统中平衡探索与利用，有效缓解信息茧房。
2026-05-29 cs.AI cs.CL 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
Breaking the Top-$K$ Barrier: Advancing Top-$K$ Ranking Metrics Optimization in Recommender Systems
Zhejiang University（浙江大学）；Beijing Technology and Business University（北京科技与商业大学）
针对推荐系统中 NDCG@$K$ 优化难题，提出 SoftmaxLoss@$K$ 损失，结合分位数技术处理 Top-$K$ 截断并推导平滑上界，实验显示平均提升 6.03%。
2025-08-04 cs.AI cs.IR cs.LG
Split-door criterion: Identification of causal effects through auxiliary outcomes
Microsoft Research（微软研究院）
我们提出了一种方法，用于估计因果效应的时间序列数据时，细粒度的信息的结果感兴趣的。具体来说，我们研究了我们所说的分裂门设置，其中结果变量可以分为两部分：一部分可能受到正在研究的原因的影响，另一部分与之无关，两部分共享相同的（未观察到的）混杂因素。我们表明，在这些条件下，识别的问题减少到所观察到的变量之间的独立性测试，并提出了一种方法，使用这种方法来自动找到的数据的子集，因果关系确定。我们通过估计亚马逊推荐系统对产品页面流量的因果影响来演示该方法，在数据集中找到数千个满足分裂门标准的例子。与过去基于自然实验的研究仅限于单一产品类别不同，我们的方法适用于网站上查看的大量具有代表性的产品样本。与以前的工作一致，我们发现广泛使用的点击率（CTR）度量高估了推荐系统的因果影响;根据产品类别，我们估计，即使没有任何推荐，推荐系统也会产生50- 80%的流量。最后，我们使用分裂门标准的指导方针，以及讨论的其他情况下，该方法可以应用。
2018-06-14 cs.AI stat.AP stat.ME
Deep Bayesian Multi-Target Learning for Recommender Systems
Alibaba Group（阿里巴巴集团）
随着电子商务平台提供的服务种类越来越多，评估其成功的标准也越来越多。这项工作介绍了一个多目标优化框架与贝叶斯建模的目标事件，称为深度贝叶斯多目标学习（DBMTL）。在该框架中，目标事件被建模为形成贝叶斯网络，其中有向链接由隐藏层参数化，并从训练样本中学习。贝叶斯网络的结构由模型选择决定。我们将该框架应用到淘宝直播推荐中，对点击率、用户在直播间停留时间、购买行为和互动等目标进行同步优化（并取得平衡）。与其他MTL框架和非MTL模型相比，所提出的方法有了显着的改进。我们的实践表明，通过集成的因果关系结构，我们可以有效地使目标的学习受益于其他目标，创造显著的协同效应，提高所有目标。DBMTL引导的神经网络构造符合特征与多目标连接的一般概率模型，比本文讨论的其他方法具有更弱的假设。这种理论上的普遍性带来了各种目标分布，包括稀疏目标和连续值的实际推广能力。
2019-02-25 cs.IR cs.LG stat.ML
A Probabilistic Framework for Temporal Distribution Generalization in Industry-Scale Recommender Systems
Shopee Pte. Ltd.（Shopee公司）；Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理学院）
本文提出ELBO_TDS框架，通过因果图建模和自监督变分目标提升工业级推荐系统的时间分布泛化能力，实测提升GMV 2.33%并已部署于Shopee产品搜索。
2025-11-26 cs.LG
Dynamic Review-based Recommenders
Competence Center Machine Learning Rhine-Ruhr（莱茵-鲁尔机器学习能力中心）；University of Bonn（波恩大学）；Fraunhofer Center for Machine Learning（弗劳恩霍夫机器学习中心）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；Berlin Center for Machine Learning（柏林机器学习中心）；TU Berlin（柏林工业大学）
正如用户偏好随时间而变化一样，商品评论也反映了这些相同的偏好变化。简而言之，如果一个人要顺序地将评论内容知识纳入推荐系统，那么自然会导致文本的动态模型。在目前的工作中，我们利用评论的已知力量，以（i）尊重评论生成的因果关系和（ii）包括，以双向的方式，评级通知语言评论模型的能力，反之亦然，语言表示，帮助预测端到端的评级。此外，我们的表示是时间间隔意识，从而产生一个连续的时间表示的动态。我们提供了在真实世界数据集上的实验，并表明我们的方法能够优于几个最先进的模型。所有模型的源代码可以在[1]中找到。
2022-03-22 cs.CL cs.IR cs.LG
Bilateral Self-unbiased Learning from Biased Implicit Feedback
Sungkyunkwan University（成均馆大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）
隐式反馈已被广泛用于商业推荐系统的构建。因为观察到的反馈代表用户的点击日志，所以在真实相关性和观察到的反馈之间存在语义鸿沟。更重要的是，观察到的反馈通常偏向于流行项目，从而高估了流行项目的实际相关性。虽然现有的研究已经开发出无偏的学习方法，使用逆倾向加权（IPW）或因果推理，他们只专注于消除项目的流行性偏见。在本文中，我们提出了一种新的无偏推荐学习模型，即双边SElf-unbiased推荐（BISER），以消除由推荐模型造成的项目曝光偏差。具体来说，BISER由两个关键组成部分组成：（i）自逆倾向加权（SIPW），以逐渐减轻项目的偏差，而不会产生高计算成本;以及（ii）双边无偏学习（BU），以弥合模型预测中两个互补模型之间的差距，即，基于用户和项目的自动编码器，缓解SIPW的高方差。大量的实验表明，BISER始终优于国家的最先进的无偏推荐模型在几个数据集，包括大衣，雅虎！R3、MovieLens和CiteULike。
2022-07-26 cs.IR cs.LG
CAM2: Conformity-Aware Multi-Task Ranking Model for Large-Scale Recommender Systems
Meta Inc.（Meta公司）
CAM2通过因果建模将用户从众行为与真实兴趣解耦，构建从众感知的多任务排序模型，在Facebook Watch上实现用户参与度提升0.50%和日活用户增长0.21%。
2023-04-17 cs.IR cs.LG
Advancements in Recommender Systems: A Comprehensive Analysis Based on Data, Algorithms, and Evaluation
Nankai University（南开大学）；Beijing Xiaomi Mobile Software Co.（北京小米移动软件有限公司）；Jingdong Retail（京东零售）
基于286篇文献的系统综述，本文从数据、算法和评估三个维度分析了推荐系统面临的冷启动、数据中毒、兴趣漂移等挑战，并提出了融合生理信号、微调大模型、深度强化学习等可行解决方案以释放其潜力。
2024-07-10 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
Counterfactual Inference under Thompson Sampling
aampe
本文针对汤普森采样下的反事实推断难题，推导了精确可计算的动作倾向表达式，从而支持离线策略估计，实现推荐系统的无偏离线评估及在线广告等场景的因果推断应用。
2025-07-08 cs.IR cs.LG stat.ME
Variable importance for causal forests: breaking down the heterogeneity of treatment effects
本文针对因果森林的黑箱局限，提出一种基于“丢弃并重新学习”原则的变量重要性算法，用于量化各输入对处理效应异质性的影响，并通过修正项处理混杂变量，实验证明其性能优于竞争方法且可扩展到变量组。
2023-08-07 stat.ML
Personalized Counterfactual Fairness in Recommendation
Rutgers University（罗格斯大学）
随着越来越多的用户使用推荐系统进行信息搜索和决策，推荐系统对人类和社会产生了越来越重要的影响。因此，解决推荐中潜在的不公平问题至关重要。就像用户对物品有个性化偏好一样，用户对公平性的诉求在很多场景下也是个性化的。因此，为用户提供个性化的公平推荐，以满足其个性化的公平需求是非常重要的。此外，以往的公平推荐工作主要集中在基于关联的公平性。然而，重要的是要从关联公平的概念，因果公平的概念，更恰当地评估公平的推荐系统。基于上述考虑，本文重点研究了在推荐系统中实现个性化的反事实公平性。为此，我们引入了一个框架，通过生成功能独立的用户嵌入推荐，通过对手学习实现反事实公平的建议。该框架允许推荐系统实现个性化的公平性，同时也涵盖非个性化的情况下，用户。在两个真实数据集上使用浅层和深层推荐算法进行的实验表明，该方法可以为用户生成更公平的推荐，并具有理想的推荐性能。
2021-11-05 cs.AI cs.IR cs.LG
CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis]
ITA（巴西航空理工学院）；UFCG（巴西坎皮纳格兰德联邦大学）；UFMG（巴西米纳斯吉拉斯联邦大学）
推荐系统（RS）已经成为一个热门的研究课题，自2016年以来，深度学习方法和技术在这一领域得到了越来越多的探索。新闻RS旨在个性化用户体验，并帮助他们从一个庞大而动态的搜索空间中发现相关文章。这项研究的主要贡献被命名为CHAMELEON，这是一个深度学习元架构，旨在解决新闻推荐的特定挑战。它由一个模块化的参考架构组成，可以使用不同的神经构建块进行实例化。由于在新闻领域中关于用户过去交互的信息是稀缺的，因此可以利用用户上下文来处理用户冷启动问题。文章的内容对于解决项目冷启动问题也很重要。此外，在新闻领域中，项目（文章）相关性的时间衰减非常加速。此外，外部中断事件可能暂时吸引全球读者的注意力，这种现象通常被称为机器学习中的概念漂移。所有这些特点都明确建模本研究的上下文混合会话为基础的推荐方法，使用递归神经网络。本研究所解决的任务是基于会话的新闻推荐，即，仅使用当前用户会话中可用的信息进行下一次点击预测。提出了一种方法，为现实的时间离线评估这样的任务，重播流的用户点击和新鲜的文章被连续发布在新闻门户网站。两个大的数据集进行的实验表明，在许多质量因素，如准确性，项目覆盖率，新颖性，减少项目冷启动问题，与其他传统的和国家的最先进的会话为基础的推荐算法相比，CHAMELEON新闻推荐的有效性。
2019-12-29 cs.IR cs.LG stat.ML
Causal Inference in Recommender Systems: A Survey and Future Directions
本综述针对传统推荐系统仅依赖相关性、缺乏因果性的问题，梳理因果推断在推荐系统领域的应用研究，介绍基础概念、现存问题、现有工作分类，并提出开放问题与未来方向。
2023-12-15 cs.IR
A General Neural Causal Model for Interactive Recommendation
Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；Chinese University of Hong Kong（香港中文大学）；City University of Hong Kong（香港城市大学）
针对推荐系统中幸存者偏差导致局部最优的问题，提出一种基于可学习结构因果模型和Gumbel约束的神经因果模型，通过反事实一致性实现反事实推断，理论和实验均验证其有效性。
2023-10-30 cs.AI cs.IR cs.LG
Multi-Source Causal Inference Using Control Variates
University of California, Berkeley（加州大学伯克利分校）
虽然机器学习的许多领域都受益于越来越多的大型和各种数据集的可用性，但由于需要强有力的假设来确保因果效应的可识别性，因此因果推理的好处有限;这些在现实世界的数据集中通常不满足。例如，许多大型观测数据集（例如，流行病学中的病例对照研究，推荐系统中的点击数据）在结果上存在选择偏差，这使得平均治疗效果（ATE）无法识别。我们提出了一个通用的算法来估计因果关系的影响，从\emph{multiple}数据源，其中ATE可能是可识别的，只有在某些数据集，但不是其他。其关键思想是使用ATE不可识别的数据集构建控制变量。我们从理论上表明，这减少了ATE估计的方差。我们将这个框架应用于结果选择偏倚下的观察数据推断，假设可以获得辅助的小数据集，从中我们可以获得一致的ATE估计。我们通过取两个数据集的比值比估计值的差异来构建一个控制变量。在模拟和两个案例研究与真实数据，我们表明，这个控制变量可以显着降低ATE估计的方差。
2021-06-05 cs.LG stat.ME stat.ML
Addressing Correlated Latent Exogenous Variables in Debiased Recommender Systems
Dalhousie University（达尔豪斯大学）；Beijing University of Chemical Technology（北京化工大学）；University of Michigan（密歇根大学）
针对推荐系统去偏方法默认外生变量独立的局限，本文提出基于似然最大化的统一学习算法，在温和正态性假设下建模相关潜在外生变量并用Monte Carlo估计似然，实验验证其有效性。
2025-06-09 cs.IR cs.LG
On Variational Inference for User Modeling in Attribute-Driven Collaborative Filtering
Walmart Labs（沃尔玛实验室）
推荐系统已成为在线电子商务平台不可或缺的一部分，推动了客户参与度和收入。大多数流行的推荐系统试图从用户过去的参与数据中学习，以了解用户的行为特征，并使用这些特征来预测未来的行为。在这项工作中，我们提出了一种方法来使用因果推理，通过时间上下文来学习用户属性的亲和力。我们制定这个目标作为一个概率机器学习问题，并应用基于变分推理的方法来估计模型参数。我们在两个真实世界的数据集上展示了所提出的方法在下一个属性预测任务上的性能，并表明它优于标准基线方法。
2020-12-02 cs.LG
Causal Feature Selection Method for Contextual Multi-Armed Bandits in Recommender System
Roblox
本文提出HIE和HDD两种无模型方法，用于识别推荐系统中驱动异质处理效应的特征，提升上下文多臂老虎机性能。
2025-11-30 cs.IR cs.LG stat.ML
Deconfounded Causal Collaborative Filtering
Rutgers University（罗格斯大学）；Salesforce Research（赛富时研究院）；Meta
针对推荐系统中大量不可观测潜在混杂因素导致性能下降的问题，提出DCCF，通过因果图与融合机器学习的前门调整模型去除混杂影响并提升推荐效果。
2023-08-14 cs.IR cs.LG
Large-scale Causal Approaches to Debiasing Post-click Conversion Rate Estimation with Multi-task Learning
University of California, Los Angeles（加州大学洛杉矶分校）；Alibaba Group（阿里巴巴集团）；Columbia University（哥伦比亚大学）
点击后转化率（CVR）估计是电子商务推荐系统中的一项关键任务。这个任务在工业环境下被认为是相当具有挑战性的，有两个主要问题：1）由用户自我选择引起的选择偏差，以及2）由于罕见的点击事件引起的数据稀疏。成功的转换通常具有以下顺序事件：“曝光->点击->转换”。传统的CVR估计器是在点击空间中训练的，但推理是在整个曝光空间中完成的。他们没有考虑到缺失数据的原因，并将其视为随机缺失。因此，他们的估计很可能与实际价值大不相同。此外，数据稀疏性问题也会阻碍许多工业CVR估计，通常有大的参数空间。在本文中，我们提出了两个原则性的，高效的和高度有效的CVR估计工业CVR估计，即多IPW和多DR。所提出的模型接近CVR估计从因果关系的角度来看，并占的原因，失踪不是随机的。此外，我们的方法是基于多任务学习框架和减轻数据稀疏性问题。工业级数据集上的大量实验表明，我们的方法优于最先进的CVR模型。
2020-04-04 cs.IR cs.LG
Causality-aware Graph Aggregation Weight Estimator for Popularity Debiasing in Top-K Recommendation
City University of Hong Kong（香港城市大学）；Dalian University of Technology（大连理工大学）
本文提出CAGED方法，通过理性建模图聚合过程缓解Top-K推荐中的流行度偏差，采用编码器-解码器架构优化交互可能性的证据下界，并设计动量更新策略提升早期训练效果。
2025-10-06 cs.IR cs.LG
Causal Discovery in Recommender Systems: Example and Discussion
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Milano-Bicocca（米兰比可卡大学）；University of Klagenfurt（克拉根福大学）
该研究针对推荐系统问题，结合开源数据集观测数据与先验知识开展因果发现任务以学习因果图，发现仅少数变量有效影响反馈信号，与当前大模型多变量趋势形成对比。
2024-09-16 cs.AI cs.IR
Breaking Down the Lockdown: The Causal Effects of Stay-At-Home Mandates on Uncertainty and Sentiments During the COVID-19 Pandemic
本文以2020年2月意大利突发封锁为准实验，利用Twitter文本和交错双重差分法评估居家令对公众不确定性与情绪的因果效应。
2023-06-01 cs.SI econ.GN q-fin.EC
Causal Inference for Recommendation: Foundations, Methods and Applications
推荐系统是实现个性化服务的重要工具。传统上，这些系统使用数据采掘和机器学习技术来基于在数据中发现的相关性做出推荐。然而，仅仅依赖相关性而不考虑潜在的因果机制可能会导致各种实际问题，例如公平性，可解释性，鲁棒性，偏差，回音室和可控性问题。因此，相关领域的研究人员开始将因果关系引入到推荐系统中来解决这些问题。在这项调查中，我们回顾了现有的文献因果推理推荐系统。我们讨论了推荐系统和因果推理的基本概念以及它们之间的关系，并回顾了推荐系统中不同问题的因果方法的现有工作。最后，我们讨论了开放的问题和未来的方向在因果推理领域的建议。
2023-01-08 cs.IR
Consistence beats causality in recommender systems
信息的爆炸性增长挑战了人们寻找符合自己兴趣的项目的能力。推荐系统提供了一个有效的解决方案，自动推可能相关的项目，根据用户过去的喜好。推荐算法通常体现了从已经收集到什么到应该推荐什么之间的因果关系。在这篇文章中，我们认为，在许多情况下，用户的兴趣是稳定的，因此以前和未来的偏好是高度一致的。因此，收集的时间顺序并不一定意味着因果关系。我们进一步提出了一个基于一致性的算法，优于国家的最先进的推荐算法在不同的真实数据集，包括\textit{Netflix}，\textit{MovieLens}，\textit{Amazon}和\textit{Rate Your Music}。
2015-01-15 cs.IR physics.data-an
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
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
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 Representation Learning for Generalisable Recommendation
University of Warwick（沃里克大学）；Spotify（Spotify公司）；University College London（伦敦大学学院）
针对推荐系统中训练分布与部署分布不一致导致的泛化问题，提出基于因果表示学习的信息论解缠标准及其可计算变分下界，仅利用混淆日志即可提升模型在分布偏移下的泛化能力，在Spotify A/B测试、KuaiRand数据集和合成基准上验证了有效性。
2026-10-26 cs.LG stat.ME stat.ML
Causal Inference in Recommender Systems: A Survey of Strategies for Bias Mitigation, Explanation, and Generalization
在信息过载的时代，推荐系统（RS）已经成为在线服务平台不可或缺的一部分。传统的RS估计用户的兴趣，并预测他们的未来行为，利用相关性的观察历史活动，他们的配置文件，和内容的互动项目。然而，由于没有考虑导致观察到的用户行为的内在因果原因，因此在生成的推荐中可能存在多种类型的偏差。此外，驱动用户活动的因果动机通常纠缠在这些RS中，无法保证推荐的可解释性和泛化能力。为了解决这些缺点，近年来，人们对利用因果推理技术增强传统RS的兴趣激增。在这项调查中，我们提供了一个系统的概述因果RS，并帮助读者获得这个有前途的领域的全面了解。我们从传统推理系统的基本概念出发，分析了传统推理系统由于缺乏因果推理能力而存在的局限性。然后，我们将讨论如何引入不同的因果推理技术来解决这些挑战，重点是去偏置，可解释性促进和泛化改进。此外，我们深入分析了因果RS的各种评估策略，特别是侧重于如何可靠地估计其性能与偏见的数据，如果利益的因果效应不可用。最后，我们为未来因果RS研究的潜在方向提供了见解。
2023-01-03 cs.IR
Causal Learning for Trustworthy Recommender Systems: A Survey
本文综述因果学习如何增强可信推荐系统，梳理CTRS流程、各阶段可信性挑战、因果解决方案与方法分类，并展望未来方向。
2025-02-18 cs.IR
Save, Revisit, Retain: A Scalable Framework for Enhancing User Retention in Large-Scale Recommender Systems
Pinterest（Pininterest）
本文提出了一种可扩展的框架，通过代理归因过程和事件聚合流水线，优化大规模推荐系统中的用户留存，提升活跃用户数量0.1%。
2025-11-22 cs.AI cs.IR cs.LG
The Importance of Causality in Decision Making: A Perspective on Recommender Systems
Free University of Bozen-Bolzano（波尔扎诺自由大学）；University of Milano-Bicocca（米兰比可卡大学）；F. Hoffmann - La Roche Ltd（F. Hoffmann - 罗氏公司）；University of Klagenfurt（克拉根福大学）
本文从因果性视角形式化推荐系统问题，利用潜在结果和结构因果模型定义待估计的因果量，并提出通用因果图以推动未来研究。
2024-09-16 cs.AI cs.IR
Disentangled Causal Embedding With Contrastive Learning For Recommender System
推荐系统通常依赖于观察到的用户交互数据来构建个性化推荐模型，假设观察到的数据反映了用户的兴趣。然而，用户与项目交互也可能是由于一致性，需要遵循流行的项目。以往的研究大多忽略了用户的一致性，将用户的兴趣与之纠缠在一起，这可能导致推荐系统不能提供令人满意的结果。因此，从因果关系的角度来看，解开这些相互作用的原因是一个至关重要的问题。它还有助于OOD问题，其中训练和测试数据不在分布范围内。然而，这是相当具有挑战性的，因为我们缺乏区分兴趣和一致性的信号。纯原因的数据稀疏性和项目的长尾问题阻碍了解纠缠因果嵌入。在本文中，我们提出了DCCL，一个框架，采用对比学习解开这两个原因，分别为兴趣和一致性的样本扩增。DCCL是模型无关的，可以很容易地部署在任何工业在线系统中。在两个真实世界的数据集上进行了广泛的实验，DCCL在各种OOD环境中的各种骨干模型上的性能优于最先进的基线。我们还展示了性能的改进，通过在线A/B测试快手，一个十亿用户规模的短视频推荐系统。
2023-02-08 cs.IR
STUDY: Socially Aware Temporally Causal Decoder Recommender Systems
Google Research（谷歌研究院）
STUDY提出一种社交感知的时间因果解码器推荐系统，通过单次前向传播联合推理社交群体，高效训练，并在阅读障碍学生书籍推荐中更准确预测参与度。
2023-09-05 cs.AI cs.IR cs.SI
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
On Causally Disentangled State Representation Learning for Reinforcement Learning based Recommender Systems
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分部）
针对强化学习推荐系统中高维噪声状态空间问题，提出因果解耦方法提取关键状态变量，构建因果不可或缺的状态表示，提升策略训练效果并超越现有方法。
2024-07-18 cs.AI cs.IR
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
NxtPost: User to Post Recommendations in Facebook Groups
Meta Platforms Inc.（元平台公司）
在本文中，我们提出了NxtPost，一个部署的用户发布基于内容的顺序推荐系统的Facebook组。受NLP最新进展的启发，我们将基于transformer的模型应用于顺序推荐领域。我们探索因果掩蔽的多头注意力，优化短期和长期的用户利益。通过定义的安全过程验证用户过去的活动，NxtPost试图学习用户动态内容偏好的表示，并预测用户可能感兴趣的下一个帖子。与以前基于transformer的方法相比，我们不假设可编辑的帖子具有固定的语料库。因此，我们使用一个外部的项目/令牌嵌入扩展基于序列的方法，一个大的词汇。我们达到49%的腹肌。改进离线评价。由于NxtPost的部署，0.6%的用户正在结识新朋友，参与社区，分享知识和获得支持。本文分享了我们在开发个性化顺序推荐系统方面的经验，为冷启动用户部署模型的经验教训，如何处理新鲜度，以及在线A/B实验中达到更高效率的调整策略。
2022-02-08 cs.LG
Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders
Hokkaido University（北海道大学）
该研究针对基于Transformer的序列推荐器的最后一项依赖问题，通过分析注意力模块的残差主导性，揭示了其结构机制，为优化推荐器提供了依据。
2026-08-17 cs.AI cs.IR
Causal Decision Transformer for Recommender Systems via Offline Reinforcement Learning
The University of New South Wales（新南威尔士大学）；University of Klagenfurt（克拉根福大学）；Data61, CSIRO（联邦科学与工业研究组织Data61部门）
针对推荐系统中强化学习奖励函数设计难、数据效率低及离线学习能力弱的问题，提出CDT4Rec离线强化学习模型，利用Transformer处理大规模离线数据并捕捉因果关系，经多数据集验证具备可行性与优越性。
2023-08-27 cs.AI 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
Beyond Interleaving: Causal Attention Reformulations for Generative Recommender Systems
Linkedin Inc（LinkedIn公司）
本文提出两种新型架构AttnLFA和AttnMVP，通过显式建模物品-动作因果依赖，提升生成推荐系统的效率与性能。
2026-03-11 cs.AI cs.IR
