ABSTRAK
Sistem rekomendasi memprediksi minat pengguna dan merekomendasikan item untuk platform daring termasuk e-commerce, jejaring sosial, dan sistem keputusan. Namun, bias data telah menjadi kendala yang signifikan, yang berdampak serius pada akurasi, keadilan, dan keandalan hasil rekomendasi. Survei ini meneliti inferensi kausal untuk mengoptimalkan sistem rekomendasi dan mengurangi bias data, dengan menjawab tiga pertanyaan: (1) Jenis bias dan dampak kinerja; (2) Metode mitigasi inferensi kausal; (3) Keunggulan pendekatan, keterbatasan, dan peluang penelitian. Motivasi untuk survei ini berasal dari keterbatasan metode debiasing tradisional, yang sering kali gagal memperhitungkan hubungan kausal dan kesulitan dalam skenario dunia nyata yang dinamis. Inferensi kausal menyediakan kerangka kerja yang kuat untuk mengidentifikasi dan mengatasi penyebab bias yang mendasarinya, yang memungkinkan sistem rekomendasi yang lebih transparan dan akurat. Oleh karena itu, kami mendefinisikan tiga tahap kritis bias: bias dalam tahap data, tahap pemilihan model, dan tahap evaluasi model. Untuk setiap tahap, metode optimasi berbasis inferensi kausal diperkenalkan dan dianalisis secara kritis. Tidak seperti metode debiasing tradisional, studi ini menganalisis teknik penambahan dan regularisasi data sebagai strategi potensial untuk penelitian di masa mendatang. Seluruh penelitian mungkin menyoroti kemampuan inferensi kausal untuk mengungkap dan mengendalikan faktor pengganggu, menawarkan wawasan yang lebih mendalam tentang mekanisme yang mendorong bias.