Causal Estimation of User Learning in Personalized Systems
个性化系统中用户学习效应的因果估计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：摘要直接讨论动态处理效应、学习与个性化的介导机制及实验识别设计，因此归入因果推断方向。
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…
个性化系统中用户学习效应的因果估计
- 研究问题
- 在线平台的处理影响同时随用户学习和系统个性化而变化时，如何区分两条机制的动态因果效应并估计长期影响？
- 方法与思路
- 作者建立用户行为的非参数因果模型，分析 CCD 实验的偏差，并设计干预个性化系统的实验；长期外推另需参数化假设。
- 材料陈述的贡献
- 摘要称个性化存在时 CCD 实验有偏，新设计可分别识别用户学习和个性化介导的效应，模拟能够恢复目标动态效应。
- 阅读关注点
- 应核对两种介导效应的定义、实验干预如何产生识别变异，以及从中期实验推断长期效果所需的参数化限制。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未列明识别假设、参数模型或真实平台实验结果。
原文摘要
In online platforms, the impact of a treatment on an observed outcome may change over time as 1) users learn about the intervention, and 2) the system personalization, such as individualized recommendations, change over time. We introduce a non-parametric causal model of user actions in a personalized system. We show that the Cookie-Cookie-Day (CCD) experiment, designed for the measurement of the user learning effect, is biased when there is personalization. We derive new experimental designs that intervene in the personalization system to generate the variation necessary to separately identify the causal effect mediated through user learning and personalization. Making parametric assumptions allows for the estimation of long-term causal effects based on medium-term experiments. In simulations, we show that our new designs successfully recover the dynamic causal effects of interest.