论文秀Live#19｜WSDM 2025唯一最佳论文解密：谱范数如何抑制流行度偏差？

主要观点总结

本文探讨了推荐系统形成的马太效应和网路数据中的混杂变量如何干扰因果推断的问题。推荐模型通过用户行为反馈优化，却过度推荐热门内容，忽视长尾价值。同时，网络观测数据中复杂的关联关系使得传统因果推断方法难以剥离混杂因子。蚂蚁集团有两项前沿研究入选WSDM 2025会议，其中一篇论文荣获最佳论文奖，另一篇论文提出新的因果推断方法。直播将深度解析这两篇论文的核心突破与技术实践。

关键观点总结

关键观点1: 推荐系统的马太效应和流行度偏差问题

推荐模型通过低秩近似隐式放大流行度偏差，热门内容被过度推荐，长尾优质内容被淹没。论文一从矩阵谱分析的角度揭示了这一问题，并提出轻量化正则化方案ReSN。

关键观点2: 网络观测数据中的混杂变量干扰因果推断

网络化观测数据中，节点间的复杂关联导致传统因果推断方法易受混淆变量干扰。论文二提出图解纠缠因果模型（GDCM），将图神经网络（GNN）与结构因果模型（SCM）深度融合，解决网络数据中的因果识别难题。

关键观点3: 蚂蚁集团的两项研究入选WSDM 2025会议

其中一篇论文荣获最佳论文奖，另一篇论文提出新的因果推断方法。直播将深度解析这两篇论文的核心突破与技术实践，并邀请论文作者分享设计思路和验证过程。

文章预览

推荐系统的“马太效应”如何形成？图网络中的混杂变量如何干扰因果推断？在数据驱动的智能时代，推荐模型通过用户行为反馈不断优化，却不可避免地陷入‌ 「流行度偏差放大器」‌ 的困境——热门内容被过度推荐，长尾价值被系统性忽视。与此同时，网络化观测数据中复杂的关联关系，使得传统因果推断方法难以剥离混杂因子，严重制约决策模型的可靠性。 WSDM 2025（International Conference on Web Search and Data Mining）作为国际互联网搜索与数据挖掘领域的顶会，将于2025年5月15日-19日在美国旧金山举行。蚂蚁集团有两项前沿研究入选，其中‌《How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective》荣获唯一最佳论文奖‌。另一项Oral论文‌《Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data》‌提出因果推断新范 ………………………………