论文《Causal Inference for Recommendation: Foundations, Methods and Applications》阅读

今天简要概括一下浮光掠影看完的一篇综述 《Causal Inference for Recommendation: Foundations, Methods and Applications》，写个阅读笔记以防忘记。

论文聚焦因果推断在推荐系统各个方面的应用，如 公平性 (fairness)，可解释性 (explainability)， 鲁棒性 (robustness)，偏差 (bias)， 回声室效应 (echo chamber)， 可控性 (controllability) 等。

论文尚未发表，当前版本为 预印版。作者为 Rutgers 大学的 Shuyuan Xu等人。

论文概况

作者本文的分类方法 是从实用性角度 进行分类的。 即后续的各个章节主要为通过 因果推荐 解决什么问题 进行分类的。

下面主要介绍一下文章的主要脉络 以供回忆和读者方便检索。

论文大致梳理

第（一）章主要介绍一些背景。

第（二）章主要介绍推荐系统，分为三类：协同过滤，基于内容的推荐模型，上述两类的混合模型。

第（三）章 - 第（六）章 是 论文的主要部分，主要介绍 因果推荐 的主要技术手段。

第三章主要介绍了主要术语，如outcome treatment do-operation intervention 等。
第四章主要介绍因果推断主要形式和定义，如 SUTVA假设（Stable Unit Treatment Value Assumption，即各个treatment的独立性）；Ignoribility（在上一篇笔记中正好有提及，可参考论文《Causal Inference for Recommender Systems》阅读；Positivity；因果图等。
第五章主要介绍 intervention 介入带来的 各类效应。诸如：TE、TIE、NDE等。
第六章主要介绍在 推荐系统 的结果计算中，通过intervention改变的各类概率分布的计算。

以上面内容作为基础，后面的章节主要介绍在不同的 应用问题 中，因果推荐的 主要应用。

第七章 Causal Discovery（之前看到过一个介绍，讲通过强化学习找到confounder，后续如果看到，会分享给大家）

第（八）章 可解释性。

第（九）章 公平性

第（十）章 鲁棒性

第（十一）章 Uplift问题

第（十二）章 去偏 Debiasing

第（十三）章 未来展望。

具体其中的内容就不再赘述，这里只起到一个抛砖引玉的作用。