基於因果經濟學感知神經網路的序列推薦系統
黃O寬、常O宥、黃O緯、張O均、吳O辰
本研究提出因果經濟學啟發神經網路（CEINN），旨在解決序列推薦系統中，數據稀疏導致使用者真實偏好與物品曝光機率混淆的難題。傳統模型常將未互動誤判為不喜歡，忽略流行度帶來的曝光偏差。為此，本研究結合隨機效用理論、曝光偏差分解與對抗式去混淆技術，建構出創新的推薦框架。
模型嚴守特徵隔離原則，使序列骨幹專注處理純識別碼，並將經濟訊號獨立分流。去混淆模組利用逆傾向加權校正曝光偏差，並透過梯度反轉層確保潛在表徵與流行度變數統計獨立。此外，效用模組將使用者的選擇行為視為效用最大化過程，顯式分離主觀價值與選擇成本。透過精確的前處理與雙軌徑設計，本研究成功在維持表徵純粹性的同時，整合因果推論與計量經濟學，為推薦系統的去偏化與可解釋性提供了嚴謹的實踐路徑。
