融合因果推理的无偏可解释推荐方法研究

Being able to provide personalized suggestions to each user, recommender system (RS) has been recognized as the most effective way to alleviate information overload. Most of the existing methods mainly adopt data-driven models, which can not reveal the reason behind user behavior, being difficult to handle data bias and poorly interpretable. Towards this end, this project aims to leverage causal reasoning into the recommendation ---- aims at discovering the causal relations among the factors in a recommender system, adaptively mitigating data bias based on causal reasoning, and providing causal explanations behind the recommendation results. Our projects not only makes information system provide more precise information to users, but also promotes the development of this area.

个性化推荐作为解决“信息过载”问题的有效方法，在多个领域发挥着重要作用，成为了前沿的研究热点。当前推荐技术主要采用数据驱动的模型，无法揭露用户行为背后的机理和原因，从而难以有效地处理推荐数据中的偏差问题，也难以对推荐结果给予令人信服的解释。为了解决这些问题，本项目将深入探索融合因果推理的推荐技术，旨在构建和挖掘推荐系统中的用户行为、兴趣、特征等因子之间的因果关系，并利用因果关系来自适应地识别和处理推荐系统中出现的数据偏差问题，同时对推荐结果进行推理，从而生成令人信服的因果解释。本项目的实施有望突破现有推荐系统碰到的技术瓶颈，使得系统能够给用户提供更高质量的推荐结果，提高用户体验和获取信息的效率，对于推进推荐系统的研究和应用具有重要的意义。

当前推荐系统大多采用基于深度学习的数据驱动模型，以挖掘实体之间的相关关系为目标，难以有效地处理数据中的偏差问题，也难以给推荐结果生成令人信服的解释。本项目深入探索融合因果推理的推荐技术，在以下三个方面展开了深入研究：. 1) 在面向推荐纠偏的因果关系挖掘方面，项目组对推荐系统中的偏差问题进行了全面的探索和分析，从因果角度将各种偏差问题总结和归纳为七大类型。同时也结合数据知识和人工先验知识挖掘出用户行为背后的因果图结构，将各类数据偏差问题概括为因果图上的混淆或者对撞效应，为后续的偏差分析和建模提供保障。. 2) 在因果驱动的推荐纠偏方法方面，针对单一类型的偏差，项目组提出了基于反事实推理的纠偏方法，通过对用户或物品的特征进行干预，来准确评估偏差或用户兴趣对用户行为的因果效应。进一步地，针对多种类型混合的偏差问题，提出超图神经网络、对抗训练、模长控制等策略来缓解偏差对推荐的影响。同时，项目组也构建了拥有千万级交互和丰富特征的推荐纠偏数据集，为推荐纠偏模型提供可靠的测试环境。. 3) 在基于因果图的推荐结果推理方面，项目组提出了基于图结构（例如因果图、知识图谱等）的推荐结果解释方法。该方法采用强化学习的思路为推荐结果挖掘出起着重要作用的关键路径，从而为用户提供更加可信的解释语言。. 综上，项目总体按照计划顺利执行，共发表CCF-A类论文4篇，CCF-B类论文2篇，已录用待发表CCF-A类论文1篇，申请国家发明专利3项，其中1项专利获得授权，发布大规模推荐纠偏数据集2个。这些研究成果解决了推荐系统中的核心问题，具有一定的理论和应用价值。