Clicks can be Cheating: Counterfactual Recommendation for Mitigating Clickbait Issue
本文将用到以下相关知识：
背景
在生活中，无论我们用什么软件（购物、资讯等），都会遇到这样的情况：看到的封面和标题跟点进去的内容不匹配，即标题党。而这些欺骗性的信息会使用户体检变差，而因为用户之前由于标题点击了item，会使得模型在学习，推荐的时候也会推荐这类item，这就造成了恶心循环。
本文主要通过构建因果图来缓解标题党这类不良item对用户体验造成的损害，主要贡献如下：
- 强调通过仅使用点击数据来缓解 点击诱饵（标题党） 问题的重要性，并利用新的因果图来制定推荐流程
- 在推荐中引入反事实推理来缓解点击诱饵问题，并提出了一个反事实推荐框架，该框架可应用于任何以项目特征为输入的推荐模型（ 易集成 ）
方法
本文所用理论与MACR框架中所用理论一样，都是采用反事实推断，并且涉及TE，NDE，TIE等相关知识，这里不再赘述，不熟悉的小伙伴可到MACR中阅读。不过MACR是用于纠正流行性偏差的，本文方法是针对“标题党”的，并且构建过程也存在一些区别，下面我们详细展开。
因果图
原始的因果图如图a所示，我们在做推荐的时候，仅考虑单纯融合 曝光特征（exposure feature）和内容特征（content feature） ，将融合后的特征和用户特征结合用于预测推荐分数。而上述过程忽略了用户看到标题、封面等信息时对点击的直接影响，因此作者构建了新的因果图（图b）。
通过反事实推断，我们可以得到图c，d
,fi为特征融合函数
框架设计
评分函数
的设计
为了方便使用，以及减少对现有模型的修改，做到易集成性，作者并没有直接将u,i,e作为输入，而是late-fusion的方式：是一种融合策略，采用MUL的方式：
训练过程
训练采用多任务的方式训练，损失函数如下：
推理阶段
推理阶段分别得到然后计算TIE。
因为在训练的时候没有将。在预测推理过程中，用均值来替代当前（u，i）对应的预测值。
更多内容：
推荐系统（四）——因果效应uplift model系列模型S-Learner，T-Learner，X-Learner
推荐系统（三）：推荐系统中常见多任务模型MMOE，ESMM，CGC，AITM
有问题的小伙伴可以联系我