文章名称
Doubly robust joint learning for recommendation on data missing not at random
核心要点
上一节主要讲了问题MNAR的问题，以及EIB和IPS等方法如何进行纠偏。这一节我们来看作者是如何做DR的。
方法细节
问题引入
具体做法
Error-imputation-based
Error-imputation-based的方法采用启发式的插值方式，构造真实评分估计误差的无偏估计量，来替换直接利用观测数据进行评分估计。其中，是通过超参数
和
结合模型的估计评分
得到的。通过类似因果推断binary treatment下，利用potential outcome构造factual outcome的式子，得到最终的估计误差项。
EIB
imputation MAE
imputation MSE
其中，如下图所示，
error deviation
Inverse-propensity-scoring
IPS的方法是因果推断中比较常见的。利用估计的user-item对被观测到的可能性，对样本进行逆概率调权，最终得到对真实评分估计的无偏估计量。
IPS
为了减小IPS的方差，也可以采用类似offline policy evaluation的self-normalization IPS减小方差。
SNIPS
心得体会
A Causal View
如上边提到，EIB其实是类似binary treamtent下的causal inference问题的某种构造损失。除此之外，其实EIB的有点类似于balancing，只不过这里的
是常数。同时，还利用
进行了平移。也就是说，无论是EIB还是IPS都是可以从因果角度解释的，可见Debias这件事情无论在哪个场景都有因果的痕迹。其实，直接在观测数据集上估计评分，类似于因果推断的Directly Prediction方法，后边又有了PSM（也就是matching和balancing）以及IPS。
