在智能时代初期，我们接触着各种各样的推荐系统。如果说互联网的目标就是连接一切，那么推荐系统的作用就是建立更加有效率的连接。本质上，推荐是信息提取的一种特殊形式，它利用过去的行为和用户相似性来生成一系列根据最终用户的喜好量身定制的信息。这使得推荐系统可以更有效率的连接用户与内容和服务，从而节约了大量的时间和成本。
推荐系统在缓解信息爆炸问题、提供个性化服务等方面起着关键作用。深度模型由于其极强的数据拟合、关联能力，极大地推动了推荐技术的发展。然而，在实际应用中，单纯依靠数据驱动的推荐模型普遍面临数据偏差和模型偏差，加剧推荐系统的马太效应。因果理论是统计科学中消除偏差影响、辅助有效决策的关键技术。
集智俱乐部联合智源社区，组织因果科学系列读书会第二季，从基础和实操角度出发，精读两本因果科学方向的入门教材。详情见文末。
本次报告将邀请新加坡国立大学研究员冯福利老师介绍如何有效地将因果理论引入数据驱动的推荐模型，主要介绍通过引入后门调整处理：
1）流行度偏差；
1. Wang, W., Feng, F., He, X., Wang, X., & Chua, T. S. Deconfounded Recommendation for Alleviating Bias Amplification. In KDD, 2021.
2. Wang, W., Feng, F., He, X., Zhang, H., & Chua, T. S. Clicks can be Cheating: Counterfactual Recommendation for Mitigating Clickbait Issue. In SIGIR 2021.
3. Zhang, Y., Feng, F., He, X., Wei, T., Song, C., Ling, G., & Zhang, Y. Causal Intervention for Leveraging Popularity Bias in Recommendation. In SIGIR 2021.
4. Feng, F., Zhang, J., He, X., Zhang, H., & Chua, T. S. Empowering Language Understanding with Counterfactual Reasoning. In ACL, 2021.
5. Wei, T., Feng, F., Chen, J., Shi, C., Wu, Z., Yi, J. and He, X. Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender System. In KDD, 2021.
冯福利，新加坡国立大学研究员。研究领域：信息检索、数据挖掘、机器学习、因果推断等，发表会议和期刊论文30余篇，包括SIGIR、SIGKDD、WWW、ACMMM、TOIS和TKDE，谷歌学术引用1300余次，研究成果在多家公司的商业系统应用。曾获WWW 2018最佳演示论文奖。担任Frontiers in Big Data编委，众多顶级期刊、会议审稿人/程序委员，包括SIGIR、WWW、NeurIPS、AAAI、ACL、EMNLP、ACMMM、TOIS、TNNLS、TKDE、TMM。
PS：同时冯老师分享结束后还会有惊喜——我们邀请了华为因果推理挑战赛赛题设计者之一的戴孙浩同学，介绍赛题设计思路、帮助组队（社区福利）。挑战赛相关信息见：PCIC 2021华为因果推理挑战赛开放组队报名
参与时间：
6月27日（周日）上午9:30-11:30
参与方式：
因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注，为深入探讨、普及推广因果科学议题，智源社区携手集智俱乐部将举办第二季「因果科学与CausalAI读书会」。本期读书会着力于实操性、基础性，将带领大家精读因果科学方向两本非常受广泛认可的入门教材。
1. Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal inference in statistics: A primer. John Wiley & Sons, 2016.（本书中译版《统计因果推理入门（翻译版）》已由高等教育出版社出版）
2. Peters, Jonas, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning algorithms. The MIT Press, 2017.
读书会每周将进行直播讨论，进行问题交流、重点概念分享、阅读概览和编程实践内容分析。非常适合有机器学习背景，希望深入学习因果科学基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。
目前因果科学读书会系列，已经有接近400多位的海内外高校科研院所的一线科研工作者以及互联网一线从业人员参与，吸引了国内和国际上大部分的因果科学领域的专业科研人员，如果你也对这个主题感兴趣，想要深度地参与，就快加入我们吧！
点击“阅读原文”，即可报名读书会
