Recommendation is a prevalent and critical service in information systems. To provide personalized suggestions to users, industry players embrace machine learning, more specifically, building predictive models based on the click behavior data. This is known as the Click-Through Rate (CTR) prediction, which has become the gold standard for building personalized recommendation service. However, we argue that there is a significant gap between clicks and user satisfaction -- it is common that a user is "cheated" to click an item by the attractive title/cover of the item. This will severely hurt user's trust on the system if the user finds the actual content of the clicked item disappointing. What's even worse, optimizing CTR models on such flawed data will result in the Matthew Effect, making the seemingly attractive but actually low-quality items be more frequently recommended. In this paper, we formulate the recommendation process as a causal graph that reflects the cause-effect factors in recommendation, and address the clickbait issue by performing counterfactual inference on the causal graph. We imagine a counterfactual world where each item has only exposure features (i.e., the features that the user can see before making a click decision). By estimating the click likelihood of a user in the counterfactual world, we are able to remove the effect of exposure features and eliminate the clickbait issue. Experiments on real-world datasets demonstrate that our method significantly improves the post-click satisfaction of CTR models.

中文翻译：

---

“点击”不等于“喜欢”：缓解点击诱饵问题的反事实建议

推荐是信息系统中一项普遍且关键的服务。为了向用户提供个性化建议，行业参与者采用机器学习，更具体地说，是基于点击行为数据构建预测模型。这被称为点击率 (CTR) 预测，它已成为构建个性化推荐服务的黄金标准。但是，我们认为点击次数和用户满意度之间存在显着差距——用户被“欺骗”点击该项目的诱人标题/封面是很常见的。如果用户发现点击项目的实际内容令人失望，这将严重损害用户对系统的信任。更糟糕的是，在这些有缺陷的数据上优化 CTR 模型会导致马太效应，使看似有吸引力但实际上低质量的项目更频繁地被推荐。在本文中，我们将推荐过程表述为反映推荐中因果因素的因果图，并通过对因果图进行反事实推理来解决点击诱饵问题。我们想象一个反事实的世界，其中每个项目只有曝光特征（即用户在做出点击决定之前可以看到的特征）。通过估计用户在反事实世界中的点击可能性，我们能够消除曝光特征的影响并消除点击诱饵问题。在真实世界数据集上的实验表明，我们的方法显着提高了 CTR 模型的点击后满意度。我们将推荐过程制定为反映推荐中因果因素的因果图，并通过对因果图进行反事实推理来解决点击诱饵问题。我们想象一个反事实的世界，其中每个项目只有曝光特征（即用户在做出点击决定之前可以看到的特征）。通过估计用户在反事实世界中的点击可能性，我们能够消除曝光特征的影响并消除点击诱饵问题。在真实世界数据集上的实验表明，我们的方法显着提高了 CTR 模型的点击后满意度。我们将推荐过程制定为反映推荐中因果因素的因果图，并通过对因果图进行反事实推理来解决点击诱饵问题。我们想象一个反事实的世界，其中每个项目只有曝光特征（即用户在做出点击决定之前可以看到的特征）。通过估计用户在反事实世界中的点击可能性，我们能够消除曝光特征的影响并消除点击诱饵问题。在真实世界数据集上的实验表明，我们的方法显着提高了 CTR 模型的点击后满意度。我们想象一个反事实的世界，其中每个项目只有曝光特征（即用户在做出点击决定之前可以看到的特征）。通过估计用户在反事实世界中的点击可能性，我们能够消除曝光特征的影响并消除点击诱饵问题。在真实世界数据集上的实验表明，我们的方法显着提高了 CTR 模型的点击后满意度。我们想象一个反事实的世界，其中每个项目只有曝光特征（即用户在做出点击决定之前可以看到的特征）。通过估计用户在反事实世界中的点击可能性，我们能够消除曝光特征的影响并消除点击诱饵问题。在真实世界数据集上的实验表明，我们的方法显着提高了 CTR 模型的点击后满意度。