ABCOR ：Attention-based causal representation learning for out-of-distribution recommendation 文章解读

1. 文章内容总结

为解决传统因果分布外（OOD）推荐框架（如 COR）忽略潜在用户特征偏移和不同用户偏好间关联的问题，本文提出注意力机制驱动的因果分布外推荐框架（ABCOR） ：一方面通过变分注意力分析潜在用户特征偏移信息、优化交互生成过程，另一方面集成多头自注意力层挖掘复杂用户偏好关系以提升干预后交互概率计算的准确性；在 Meituan 和 Yelp 两个公开数据集上的实验表明，ABCOR 在 Recall@K 和 NDCG@K 等指标上显著优于 COR 等现有主流模型（如 Meituan 数据集上 R@50 提升 26.63%、N@50 提升 28.71%），且消融实验验证了变分注意力、多头自注意力层及反事实推理对模型性能的关键作用，代码已开源（https://github.com/YaffaGan/ABCOR）。

---

2. 文章思维导图（mindmap）

---

3. 详细总结

1. 研究背景与核心问题

推荐系统作为缓解信息过载的关键技术，已广泛应用于电商、餐饮等领域，但受分布偏移影响（训练数据与真实场景数据分布差异），其在分布外（OOD）场景的性能大幅下降。现有因果 OOD 推荐框架（如 COR）虽通过反事实推理降低过时交互影响，但存在两大局限：

• 仅关注观测用户特征（E₁） 的变化，忽略潜在用户特征（E₂） 的偏移（如用户情绪、兴趣漂移），导致用户偏好建模不完整；

• 将潜在用户偏好（Z₁、Z₂）简单拼接以预测物品交互，未考虑偏好间的复杂关联，假设偏好 “均等且独立” 与真实场景不符。

同时，注意力机制因能动态分配特征权重，在计算机视觉（CV）、自然语言处理（NLP）及推荐系统中已验证其提升特征建模的能力，为解决上述问题提供技术支撑。

2. 提出模型：ABCOR 框架

ABCOR（Attention-based Causal OOD Recommendation）基于 COR 框架的因果逻辑（用户特征→用户偏好→交互），创新引入双注意力机制，核心设计如下：

2.1 技术基础：COR 框架的因果与 VAE 结构

• 因果图：用户特征分为观测（）与潜在（）两类，二者分别生成对应偏好（），最终共同决定用户 - 物品交互（）；

• VAE 结构：含编码器（通过历史交互 和