因果学习在可信赖推荐系统中的应用综述

推荐系统（RS）已显著推进了在线内容发现和个性化决策制定。然而，RS中出现的脆弱性促使人们转向可信赖推荐系统（TRS）。尽管TRS取得了许多进展，但大多数研究侧重于数据相关性，而忽视了推荐中的基本因果关系。这一缺陷阻碍了TRS在解决可信赖性问题时识别原因，导致公平性、鲁棒性和可解释性受限。为了弥补这一差距，因果学习作为一类有前途的方法出现，以增强TRS。这些方法基于可靠的因果关系，在减轻各种偏差和噪声的同时，为TRS提供有洞察力的解释。然而，这一充满活力的领域缺乏及时的综述。本文从因果学习的角度创建了TRS的概述。我们首先介绍面向因果性的TRS（CTRS）的优势和常见程序。然后，我们识别每个阶段的潜在可信赖性挑战，并将它们与可行的因果解决方案联系起来，随后分类CTRS方法。最后，我们讨论了推进这一领域的几个未来方向。