现有的推荐系统方法更多的是对相关性建模，但难于保证推荐系统的鲁棒性等。来自清华中科院等最新《推荐系统中的因果推理》综述论文，全面回顾了基于因果推理的推荐的文献，非常值得关注!

推荐系统在当今的信息过滤中起着至关重要的作用。现有的推荐系统是通过学习数据中的相关性来提取用户偏好的，如协同过滤中的行为相关性，特征-特征，或者预测点击率中的特征-行为相关性。然而，令人遗憾的是，现实世界是由因果关系而不是相关性驱动的，而相关性并不意味着因果关系。例如，推荐系统可以在用户购买手机后向其推荐电池充电器，后者可以成为前者的原因，而这种因果关系是无法逆转的。近年来，为了解决这一问题，推荐系统的研究人员开始利用因果推理来提取因果关系，增强推荐系统。在这项综述中，我们全面回顾了基于因果推理的推荐的文献。首先，我们提出了推荐和因果推理的基本概念，作为后面内容的基础。我们提出了非因果性推荐所面临的典型问题。然后，我们全面回顾了基于因果推理的推荐的现有工作，基于因果推理解决的问题的分类。最后，我们讨论了这一重要研究领域有待解决的问题，以及未来值得关注的工作。

论文链接：https://arxiv.org/pdf/2208.12397.pdf

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