推荐、搜索系统存在大量的偏置问题，严重影响了模型的预测精度和用户体验， 如何有效纠偏成为了亟待解决的问题，我们将目光投向反事实学习技术。

本次报告将介绍面向推荐系统的反事实学习的4种技术方案，即：

1. 学习对未观察数据，构建全样本空间；

2.纠正有偏数据；

3. 双重鲁棒学习；

4. 无偏数据学习。

我还将通过理论分析和实验验证，证明所述方法的有效性。

以上研究成果在SIGIR，RecSys，CIKM等学术会议发表，并应用于实际产品。

演讲提纲：

• 推荐系统研究简史
• 因果学习与反事实学习简介
• 信息检索系统中的偏置问题
  • 位置偏置问题
  • 选择偏置问题
• 基于反事实学习的推荐系统研究与落地
  • 学习反事实样本
  • 修正有偏的可观测样本
  • 双重鲁棒方法
  • 无偏数据的利用
• 总结与展望

听众受益点：

• 了解前沿的因果学习技术研究课题
• 了解反事实学习技术在推荐系统的研究进展
• 了解信息检索系统的偏置问题
• 了解反事实学习技术的产品落地方法

实践案例：

• 如何学习反事实样本，构建全样本空间，解决推荐系统的偏置问题
• 如何修正可观测的偏置样本，提升推荐系统的准确性
• 反事实学习技术在推荐系统中的应用及落地效果
• 如何收集无偏数据