前言

随着大数据时代的来临，机器学习技术突飞猛进，并且在人类社会中扮演着越来越重要的角色。例如，你可能已经习惯了每天使用谷歌、百度、必应等搜索引擎查找信息，或者享受电商网站和视频网站的推荐系统带来的便利，以及利用谷歌、百度等网站提供的机器翻译学习外语，这些应用都离不开机器学习模型的支持。但机器学习模型，尤其是当下流行的深度学习模型，面临着域外泛化、可解释性、公平性等挑战。例如，利用深度学习模型做图像分类时可能会根据图片中的沙漠背景立刻判断图像中会出现骆驼，这是因为它不会意识到“沙漠背景”和“骆驼出现”之间只存在相关性。也就是说，“沙漠背景”并不是“骆驼出现”的原因。而认识到这一点对人类来说并不难。因此，为了实现通用人工智能，机器学习算法需要具备判断特征和标签间是否存在因果关系的能力。

另外，机器学习中对因果关系的研究也一直扮演着重要的角色。例如，在流行病学中，孟德尔随机化揭示了基因对患病概率的影响，其本质是一种基于工具变量的因果推断方法。在研究疫苗的有效率时，双盲实验扮演着不可替代的角色。这是因为双盲实验可以衡量疫苗对免疫力的因果效应。而近几年出现了众多利用机器学习方法解决因果推断问题的研究。这是因为机器学习模型不仅可以有效地处理复杂的输入数据（如图像、文字和网络数据），还能够学习到原因和结果间复杂的非线性关系。

如今，因果机器学习的研究在学术界可谓百花齐放，从利用机器学习模型解决因果推断问题到将因果关系添加到机器学习模型中，都会涉及因果机器学习。而在业界，无论是像谷歌和BAT[1]这样的大公司、Zalando（总部位于德国柏林的大型网络电子商城，其主要产品是服装和鞋类）这样的中型公司，还是像Causalens（一家英国无代码因果AI产品开发商）这样的创业公司，因果机器学习都在解决业务问题中扮演着重要的角色。这意味着业界对因果机器学习人才的需求也处于一个上升期。例如，2022年的就业市场对这类人才的需求就是一个证明。但是，目前高校开设的课程中很少有同时涉及因果推断和机器学习的。这是因为因果推断被认为是统计学、经济学、流行病学的课程。而机器学习主要出现在计算机科学和数据科学的教学大纲中。因此，希望本书的出现可以帮助那些想要系统学习因果机器学习，并在将来从事相关工作的读者。

为了帮助读者建立连接因果推断和机器学习这两个重要领域所需要的知识体系，本书对内容做了精心规划。为了照顾到没有因果推断基础的读者，第1章解答了在学习因果推断之初读者可能面临的问题。例如，潜结果框架和结构因果模型两种基础理论框架到底有什么区别？因果推断的经典方法有哪些，它们分别适用于什么场景？在此基础上，第2章介绍了更前沿的、利用机器学习模型来解决因果推断问题的具有代表性的方法，希望那些想要解决因果效应估测、政策评估、智能营销增益模型（uplift modeling）这些因果推断问题的读者从中有所收获。第3、4章中讨论的域外泛化、可解释性和公平性问题都在近几年受到学界和业界的大量关注。它们体现了基于相关性的机器学习模型的局限性。而基于因果性的因果机器学习方法对于克服这些局限性十分有效。这部分知识可以回答在机器学习领域工作的读者的一个问题：为什么因果性对于机器学习的研究和实践非常重要？第5章介绍基于因果的推荐系统和学习排序方法，以帮助对这些领域感兴趣的读者打下坚实的基础，并在相关的科研和实践中做到游刃有余。第6章是对全书主要内容的总结。

我们基于在因果机器学习研究、教学和实践中积累的知识和经验撰写了这本《因果推断与机器学习》，旨在探索如何构建一个容易被读者接受的因果机器学习知识体系，为培养因果机器学习的跨学科人才做一份贡献。

由于作者的能力和精力有限，本书难免会出现一些纰漏，欢迎广大读者批评、指正。希望每一位读者都能在阅读本书的过程中有所收获。无论读者是对因果推断的基础知识进行了补充，还是对因果机器学习的前沿方向进行了了解，对我们来讲都是莫大的荣幸。

本书在写作、校对和出版的过程中，得到了国内外众多专家学者和出版人员的大力支持与帮助。在此，我们对那些为本书做出贡献的朋友表达诚挚的谢意。感谢为本书撰写推荐语的多位专家学者，他们是（排名不分先后）：吉林大学人工智能学院院长常毅教授、美国弗吉尼亚大学张爱东教授、美国领英公司工程总监洪亮劼博士。

感谢对本书的写作提供巨大帮助的各位老师和同学，他们是（排名不分先后）：亚利桑那州立大学数据挖掘与机器学习实验室（DMML）全体成员、Meta AI人工智能科学家张鹏川博士、微软雷蒙德研究院资深首席研究员Emre Kiciman博士、弗吉尼亚大学李骏东助理教授和博士生马菁、加州理工学院岳一松副教授、约翰霍普金斯大学Angie Liu助理教授。

感谢正在阅读本书的你。

感谢为本书付出努力的电子工业出版社编辑李利健及她的同事。

衷心感谢我们的亲人和挚友。没有你们一路的支持、陪伴和理解，我们无法完成对因果机器学习的探索和本书的写作。

提示：本书正文中提及见“链接1”“链接2”等时，可添加封底“读者服务”处的客服为好友，发送“44462”获取链接文件。

作者

[1] BAT是中国三大互联网公司百度公司（Baidu）、阿里巴巴集团（Alibaba）、腾讯公司（Tencent）首字母的缩写。