跳转至

Pinterest 因果召回：用 uplift 决定是否触发电商候选

Fidelity: 核心机制复现。执行 propensity、双 outcome、DR pseudo-outcome 和触发阈值。

论文信息

项目 内容
论文链接 arXiv 2607.14161
公司/机构 Pinterest
首次公开日期 2026-07-14（arXiv v1）
原文开源代码 否：论文未提供官方/作者代码（核查日期：2026-08-09）
Adapter causal-retrieval
本地复现代码 src/auto_research/reproductions/causal_retrieval/

原始论文总结

背景与主要改动

始终触发 shopping candidate generator 浪费资源，也会向无购物意图用户过度分发。论文用随机日志学习多事件 outcome 和 doubly-robust uplift，离线线性 replay 选阈值，线上与远程召回并行执行。

flowchart LR
  X["用户/上下文"] --> P["Propensity"]
  X --> M0["Outcome t=0"]
  X --> M1["Outcome t=1"]
  P --> D["DR pseudo-outcome"]
  M0 --> D
  M1 --> D
  D --> U["Uplift policy"]
  U --> G{"触发 shopping CG?"}

原论文关键图

Pinterest 因果召回：用 uplift 决定是否触发电商候选 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文的训练流程与关键优化环节。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \tilde\tau(x)=\hat\mu_1-\hat\mu_0+ \frac{t(y-\hat\mu_1)}{\hat e(x)} -\frac{(1-t)(y-\hat\mu_0)}{1-\hat e(x)}. \]

论文离线与线上效果

shopping trigger 最多减少 85%，shopping session 中性，总 session +0.26%、Pin Save +1.10%。

本地复现

本地对照口径：基线是固定的非因果 transition/content/popularity retrieval ensemble；实验组以 DR uplift 选择约 30% shopping trigger，NDCG@10 0.03540→0.06399，相对 +80.77%。

该大幅提升来自公开数据上的合成随机 treatment，不能视为 Pinterest 复现；价值在验证完整因果训练路径。见 metrics/movielens-seed42.json。

auto-research reproduce --paper causal-retrieval --dataset-dir data --seed 42

复现边界

没有 Pinterest randomized logs、购物 session 或 RPC 成本；本地 pseudo-treatment 仅用于可辨识的机制实验。