基于图的推荐系统中的因果学习综述

《ACM Computing Surveys》：A Survey of Causal Learning in Graph-Based Recommender Systems

　　

摘要AI摘要

要查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

基于图的推荐系统（GBRs）通过利用图神经网络（GNNs）来建模复杂的用户-物品交互和结构关系，取得了显著的成功。然而，在真实环境中，它们仍然面临分布外（OOD）泛化、动态用户偏好、公平性和可解释性等主要挑战。这些局限性在很大程度上源于传统基于GNN的推荐系统依赖于对观测交互图的相关性驱动学习，往往捕捉到不稳定的或虚假的关联，而非潜在的因果关系机制。幸运的是，因果学习提供了一个原则性的框架，用于建模数据生成过程并识别跨环境的稳定因果关系。通过引入因果图、结构因果模型（SCMs）、干预、因果效应估计和反事实推理，它有助于开发更加稳健、自适应、公平和可解释的GBRs。本综述通过总结关键挑战、建立因果推断与图神经网络之间的联系，以及提出一种面向挑战的分类法来涵盖代表性的因果技术，对GBRs中的因果学习进行了回顾。我们进一步回顾了评估指标、基准数据集、图构建协议和开源库，并讨论了当前的局限性和未来研究方向。总体而言，本综述系统地概述了GBRs中的因果学习，旨在支持开发更加稳健和可信的GBRs。

AI摘要

AI生成的摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。它旨在支持检索发现、帮助读者评估相关性，并协助相邻研究领域的读者理解本文工作。其目的是补充作者提供的摘要，后者仍是论文的主要摘要。完整论文仍是权威的版本记录。 点击此处了解更多。

点击此处对此摘要的准确性、清晰度和实用性发表评论。这将有助于改进和未来的重新生成版本。

要查看此AI生成的通俗语言摘要，您必须拥有高级访问权限。