工业级推荐系统面临严重的偏置挑战，如位置偏置、展示偏置、流行度偏置等。基于有偏的数据学习到的模型也是有偏的，有偏的模型将生成有偏的推荐结果，伤害用户体验和平台收益。如何有效地缓解推荐系统中的偏置问题成为亟待解决的问题。近年来因果启发的机器学习技术得到业界越来越多的关注，特别是在推荐系统和信息检索领域。一些先驱性的工作开始探索了如何应用因果技术缓解推荐的偏置问题并解释推荐结果。

在这个演讲中，我们将讨论因果启发的推荐系统，首先介绍推荐系统中的偏置问题，及其如何影响用户体验和平台收益，并重点介绍四类工业界实用的因果干预、反事实学习的纠偏方法，最后强调因果启发的推荐系统是新兴的研究领域，值得业界同仁的关注，并介绍相关参考文献和讨论未来的研究方向。

演讲提纲：

1. 简介
   • 推荐系统中的偏置问题
   • 真实推荐系统产品的中偏置场景
   • 因果推断三个层次
2. 基于反事实学习的推荐系统
   • 回顾面向关联关系建模的推荐算法及挑战
   • 反事实学习推荐算法体系介绍
   • 反事实学习算法工程实现及落地经验
3. 因果干预推荐算法架构
   • 因果推断中的干预技术
   • 推荐系统中的因果干预算法体系介绍
   • 因果干预算法解决bias问题的工程实现及落地经验
4. 因果启发的推荐系统架构
   • 内容分发场景的架构痛点
   • 因果学习算法基础架构建设
   • 算法架构实现和落地过程中的问题和经验

你将获得：

1. 了解因果启发机器学习的基本概念方法
2. 了解面向工业界的因果启发推荐系统原理方法
3. 激发大家对推荐系统偏置问题的思考