推荐系统+因果推断（一）——KDD2021推荐系统中去除混淆缓解偏差放大

 论文 Deconfounded Recommendation for Alleviating Bias Amplification 阅读笔记

地址：https://arxiv.org/abs/2105.10648

    今天和大家分享一篇因果推断和推荐系统结合的文章。因果推断在推荐系统中主要应用于用户增长、定价算法以及纠偏等领域，这篇文章属于纠偏领域。主要用到了我们前面因果推断（二）和因果推断（四）中提到的混杂和后门调整等内容，有不熟悉的小伙伴可以翻看前面的文章，好啦，进入正题。

背景

    推荐系统中通常用于学习的数据是不平衡的。由于我们是从用户的历史点击或者转化数据中进行学习，因此通常会面临这样一个问题：对于推荐过的商品我们会认为用户是很感兴趣的，所以很可能会继续给他推荐，而对于没有推荐过的商品，模型会认为用户不感兴趣，因此不推荐。这是一个恶性循环，久而久之，整个推荐系统就只会推荐某几个商品，导致整个推荐系统非常不健康。

举个栗子（极端情况）

    还是沿用之前小夏开店的例子，小夏经过不断努力赚了很多钱，现在的他已经做了自己的购物APP，并且售卖的商品也比以前多了很多。假设现在他的店铺中电脑主机，显示器。学艺不精的小夏凭借网上学到的知识，自己coding了一个推荐算法，并用于商店中。