搜索推荐论文速读2

1. A Model-Agnostic Causal Learning Framework for Recommendation using Search Data. WWW 2022

从因果分析的角度看，用于表示特征的embedding向量与用户的点击反馈有着复杂的关系。作者认为，这种复杂的关系可以分为两部分，描述用户偏好某个item原因的causal part，以及反映用户与item统计依赖关系的non-causal part。前者是我们最希望模型学会如何建模的，后者是我们希望模型避免受到影响的（如position bias，selection bias, popularity bias等）。

本文的核心思想就是通过引入工具变量来剔除non-causal part的影响，从而让模型去除偏差获得更好的性能。

1.1 什么是工具变量？

工具变量，主要用于评估一个treatment变量 X 与结果变量 Y，在同时受到其他变量（confounders）的影响下，两者之间的因果关系（causal effect）。

原文表述：In causal inference, the
method of IVs [1, 5] aims to estimate the causal effect between a
treatment variable

标签：速读,变量,模型,论文,转化,搜索,treatment,物品,causal
From： https://www.cnblogs.com/yujun273/p/17606757.html