IJCAIOct, 2019

解决离线推荐学习中的倾向性矛盾问题

PDF
TL;DR本研究探讨了在选择偏差存在的情况下从明确评分反馈进行离线推荐学习的方法，在推荐偏差的解决方案中，逆偏重评分（IPS）估计是一个当前很有前途的解决方案，但基于倾向性的现有方法的性能会受到倾向性估计偏差的显着影响。因此，我们提出了一种新的算法，该算法通过对抗学习来最小化理论上的偏差，以达到在实际情况中优于一系列现有方法的效果。
发现论文，激发创造
  • 推荐中反事实倾向估计的不确定性校准

    本论文针对推荐系统中存在的缺失数据，提出了一种基于反事实倾向评分的缺失值加权估计方法。通过使用多种代表性不确定性校准技术来对倾向得分估计进行不确定性校准，理论分析和实验结果表明，不确定性校准的 IPS 估计器比未校准的表现更好，从而提高了推荐结果。

    Mar, 2023

  • 当倒数权重法无效时：用仿射校正进行无偏置排序学习

    研究了点击偏见与信任偏见的存在，提出了一种基于仿射修正的估算器，该估算器是目前唯一被证明能够去除二者影响的，并利用半合成实验证明在消除这些偏见的情况下，CLTR 可以更接近最佳排名系统。

    Aug, 2020

  • 用于去偏差缺失非随机显式反馈的不对称三训练

    提出了一种元学习方法，受非对称三训练框架的启发，利用两个预测器生成可靠的伪评分数据和另一个预测器进行最终预测，以解决推荐系统中观察到的评分数据选择偏差问题，实现从有偏显式反馈中开发出有效的推荐。

    Sep, 2019

  • 去偏推荐算法与噪音数据

    本文研究了推荐系统中用户对大多数物品的评级通常是非随机缺失，并提出了三种解决该问题的方法，分别是基于错误插补的方法（EIB）、倒数概率加权方法（IPS）和双重稳健方法（DR）。然而，这些方法忽略了另一种由观察到的评级和用户真实偏好之间不一致性所引起的偏差，即嘈杂反馈或结果测量误差。本研究进一步提出了一种交叉威胁的观点，旨在解决从缺失非随机数据和有噪声数据中学习预测模型的问题，并通过实验证明了所提方法的有效性。

    Jun, 2024

  • 基于混合的纠正方法用于反事实学习排序中的位置偏差和信任偏差

    提出了一种新的无需基于相关性估计的基于混合分布的校正方法 ——MBC。实验证明，MBC 在某些情况下优于目前最先进的位置和信任偏差校正方法 ——AC，而在其他情况下表现相当。此外，与 AC 相比，MBC 的训练时间效率提高了数个数量级。

    Aug, 2021

  • 基于级联模型的倾向性估计，用于反事实学习排序

    本文提出了一种针对级联点击模式（CM）场景下的倾向性估计方法（CM-IPS），该方法在用户遵循 CM 点击搜索结果并具有极高表现的情况下，能使 CLTR 表现保持接近于全信息量表现，同时在用户遵循 PBM（Poisson Binomial Model）情况下，该方法不仅表现不佳，反而导致更大偏差，因此需要根据历史用户点击数据来选择使用 CM-IPS 或 PBM-based 倾向性估计方法。

    May, 2020

  • 估计位置偏差，无需干扰干预

    本文介绍了一种在不涉及人工参照或限制相关性建模假设的前提下，从历史反馈日志中收集一种特定类型的干预数据并使用极值估计器以获得一致倾向性估计的方法，该方法在 Arxiv 全文搜索和谷歌 Drive 搜索等两个实际系统中提供了更好的倾向性估计。

    Dec, 2018

  • 交叉成对排名用于无偏物品推荐

    本文提出了一个名为交叉成对排序（CPR）的新学习范式，它在不了解暴露机制的情况下实现了无偏推荐，相比现有的去偏方法具有更好的模型泛化和训练效率。

    Apr, 2022

  • 多样化用户行为下排名策略的离线评估

    该研究提出了自适应 IPS（AIPS）的方法来解决 IPS 方法在排名设置中应用的巨大方差问题，还探讨了用户行为多样性的影响。该方法极大地提高了排名系统的 OPE 有效性。

    Jun, 2023

  • 使用无偏倾向估计的无偏学习排序

    本文提出了一种名为 DLA 的双重学习算法，该算法可以联合学习无偏好排名和无偏好倾向模型，以直接从有偏好的点击数据中学习无偏好排名模型，避免了对点击数据的特殊要求，实现了自适应学习和在线学习。实验结果表明，使用 DLA 训练的模型明显优于基于结果随机化和基于点击模型提取的相关信号的无偏好学习至排名算法。

    Apr, 2018