简介：目前许多应用程序使用推荐是为了调整用户的自然行为，比如增加销售额或在网站上花费的时间。这就导致了最终推荐目标和传统的推荐方案之间的差距，传统的方案是通过预测用户-物品矩阵中缺失的条目或最有可能发生的下一个事件来评估推荐候选项与过去用户行为的一致性。为了弥补这一差距，我们优化了一个推荐策略，目的是增加预期的结果，而不是有机的用户行为。我们证明，这相当于在完全随机的推荐策略下学习预测推荐结果。为此，我们提出了一种新的领域自适应算法，该算法从包含有偏差推荐策略结果的记录数据中学习，并根据随机暴露来预测推荐结果。除了新的因果推荐方法外，我们将我们的方法与当前最有的因子分解方法进行了比较，并展示出显著的提升。

链接：https://arxiv.org/pdf/1706.07639.pdf
推荐理由：本文同样引入因果推断的方法来解决推荐系统问题中的数据选择性偏差问题，具有较大的启发意义。

内容中包含的图片若涉及版权问题，请及时与我们联系删除