A General Neural Causal Model for Interactive Recommendation
用于交互式推荐的通用神经因果模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕幸存者偏差、结构因果模型和反事实识别展开，因此归入因果推断；未说明经济结构参数估计问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于交互式推荐的通用神经因果模型
- 研究问题
- 推荐系统的观察数据存在幸存者偏差时，如何利用反事实推断刻画偏好变化，并缓解这种偏差对推荐优化的影响？
- 方法与思路
- 作者构建可学习的结构因果模型，用 Gumbel-max 约束识别反事实一致性，再以强化学习和 Gumbel-Softmax 进行估计。
- 材料陈述的贡献
- 摘要称，该方法通过反事实一致性缓解幸存者偏差，并以理论与实证研究支持其有效性，但未报告具体比较幅度。
- 阅读关注点
- 应核对因果图的来源、反事实一致性的定义、Gumbel-max 约束如何支持识别，以及可微近似对估计的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整识别条件，效果陈述不能视为普遍保证。
原文摘要
Survivor bias in observational data leads the optimization of recommender systems towards local optima. Currently most solutions re-mines existing human-system collaboration patterns to maximize longer-term satisfaction by reinforcement learning. However, from the causal perspective, mitigating survivor effects requires answering a counterfactual problem, which is generally unidentifiable and inestimable. In this work, we propose a neural causal model to achieve counterfactual inference. Specifically, we first build a learnable structural causal model based on its available graphical representations which qualitatively characterizes the preference transitions. Mitigation of the survivor bias is achieved though counterfactual consistency. To identify the consistency, we use the Gumbel-max function as structural constrains. To estimate the consistency, we apply reinforcement optimizations, and use Gumbel-Softmax as a trade-off to get a differentiable function. Both theoretical and empirical studies demonstrate the effectiveness of our solution.