结构因果模型
概述
结构因果模型通过有向无环图（DAG）显式建模变量间的因果关系，利用 do-calculus 进行因果效应的识别和估计。
关键内容
-
核心思想：用有向无环图（DAG）表示变量间的因果关系。图中的节点是变量，有向边表示因果关系。通过图的结构可以判断哪些因果效应是可识别的，以及如何识别。
-
do-calculus：Pearl 提出的 do-算子用于表示干预操作。$P(Y|do(X))$ 表示对 $X$ 进行干预后 $Y$ 的分布，区别于条件概率 $P(Y|X)$。
-
混杂因子（Confounder）：同时影响处理变量和结果变量的因素。在推荐系统中，用户活跃度可能同时影响物品是否被推荐（处理）和用户是否评分（结果），是典型的混杂因子。
-
在推荐系统中的应用：结构因果模型框架被用于显式建模推荐系统中的因果关系，如用户特征 → 推荐 → 点击的因果路径，以及混杂因子的控制。
-
与潜在结果框架的对比：潜在结果框架 侧重于个体层面的因果效应定义；结构因果模型侧重于变量层面的因果结构建模。两者在数学上等价，但提供了不同的分析视角和工具。
-
在因果推荐中的发展：从 2016 年到 2025 年，结构因果模型在推荐系统中的应用已经远远超出了最初的 IPS 框架。当前研究利用因果图建模推荐系统中的复杂因果结构，包括用户偏好、物品特征、上下文因素等。