KDDJul, 2019

修正学习方法，而非数据：电子商务产品排名的见解

PDF
TL;DR文章提出采用反事实风险最小化法（CRM）来实现从真实世界的日志数据中学习排名模型，以避免需要有关性的判断和数据聚合，此方法更适合从 Logged 数据中学习，CRM 方法有效地从 Logged 数据中学习，效果显著优于基线排名器（λ-MART），并且优于各种深度神经网络模型的全信息损失（例如交叉熵）的表现。
e-commercelearning to rankuser feedbackcounterfactual risk minimizationlogged data
发现论文，激发创造
  • 电商搜索学习排序应用

    本文探讨了将 Learning to Rank 方法应用于 E-Com search 中的实际挑战，提供了一些优化方法和实验结果，包括利用产品项上的人气特征和减少查询属性稀疏性的特征选择，以及选择订购率作为训练目标。

    Mar, 2019

  • 电子商务搜索引擎中的强化学习排序：形式化、分析和应用

    本论文提出使用强化学习等算法解决电子商务平台中的多步排名问题，并通过模拟和淘宝搜索引擎实验，与在线学习到排名方法相比，获得了高于 40％和 30％的总交易金额增长。

    Mar, 2018

  • 电商产品搜索的鲁棒模型学习

    通过开发深度学习模型来识别搜索中的信息不匹配，可以显著提高电商用户体验和排名性能。

    May, 2020

  • 电商搜索中查询性能的预测

    本文研究通过用户与搜索结果的互动来评估电子商务搜索引擎的表现，并通过分析用户行为模式和构建分类器来预测查询性能，最终取得了平均 0.75 的 AUC。

    Aug, 2018

  • 建模还是干预：从用户交互中比较反事实和在线学习排序

    本研究对 LTR 领域的两种方法进行了第一次直接比较。研究结果表明，这两种方法在不同实验条件下性能存在显著差异，对于选择哪一种方法，需要考虑选择偏差、位置偏差和交互噪声的程度。

    Jul, 2019

  • 统一在线学习和反事实学习进行排序

    通过介入感知估计器建议一种优化基于用户交互的排名系统的新方法，以消除位置偏差、信任偏差和项目选择偏差。实验结果表明，相比现有方法，该新方法可以更有效地受益于在线干预。

    Dec, 2020

  • 具有偏差反馈的无偏学习排序

    通过对因果推断框架的提出，使用倾向权重排序支持向量机从隐式反馈学习，消除了数据偏差问题，取得了更好的结果。

    Aug, 2016

  • 对反事实学习排序模型的鲁棒性进行的可复制性研究

    通过广泛的基于仿真的实验，探究了现有的反事实学习排序模型在复杂和多样化情境下的稳健性，并发现 DLA 模型和 IPS-DCM 在各种仿真设置下展现出更好的稳健性，而 IPS-PBM 和 PRS 则较为脆弱；此外，当生产排序器具有较高的排序性能或存在一定的随机性时，现有的反事实学习排序模型往往无法超越简单的点击基准，因此迫切需要开发适用于这些情境的新的反事实学习排序算法。

    Apr, 2024

  • 从用户与排名的交互学习：该领域的统一

    该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。

    Dec, 2020

  • 克服在线学习排名中的先验错误规定

    在线学习排序的领域，Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法，解决了现有工作需要匹配真实先验的主要局限性，并将这些结果扩展到线性和广义线性模型。此外，我们还考虑点击反馈措施，并通过合成和现实世界实验证明了我们算法的有效性。

    Jan, 2023