应用于推荐系统的异构处理效果的观察数据-研究论文

健康、公共政策、技术和社会科学领域的决策者越来越有兴趣将“一刀切”的政策转变为个性化的政策。 因此，他们面临着估计异质因果效应的问题。 不幸的是，从随机数据估计异质效应需要大量的统计能力，虽然观察数据通常有大量可用，但未观察到的混杂因素的存在可能使使用从它得出的估计值非常可疑。 我们表明，在某些假设下，来自观察数据的估计异质治疗效应可以保留真正异质因果效应的等级排序。 当观测数据很大，特征集是高维的，并且我们关于特征重要性的先验很弱时，这种方法很有用。 我们探讨了我们的方法在模拟中的有效性，并在大规模推荐问题中展示了一个真实世界的例子。