SIGIRApr, 2020

一种深度循环生存模型用于无偏排序

PDF
TL;DR本文提出了一种新的深度循环生存排序（DRSR）框架，以解决信息检索中的位置偏见问题，此框架利用循环神经网络模型上下文信息并综合采用生存分析和概率链规则来恢复一个用户各种行为的无偏联合概率，实现对用户的一系列行为进行关联建模。实验结果表明，相较于目前的一些模型，DRSR 能够显著提高性能。
position biasinformation retrievaluser feedbackdeep recurrent survival rankingsurvival analysis
发现论文，激发创造
  • 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

  • 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

  • 深度推荐算法中的合作式检索与排序模型

    深度推荐系统在现代 Web 服务中得到广泛应用，然而传统的两阶段工作流存在协作限制，因此需要探索检索员和排名员之间的有效协作。

    Jun, 2022

  • 去偏见的隐性反馈可解释的成对排名

    本文针对 Bayesian Personalized Ranking 模型的黑箱模型、暴露偏差等两个局限进行改进，提出一种新的可解释且公平的推荐模型 Explainable Bayesian Personalized Ranking，并在三个真实世界数据集上进行了实证研究。

    Jul, 2021

  • DeepRank：信息检索中新的相关性排序深度架构

    本文提出了一种新的深度学习体系结构 DeepRank，以模拟人类判断过程来进行信息检索中的相关性排名，并使用卷积神经网络（CNN）或二维门控循环单元（2D-GRU）来确定本地相关性和产生全局相关性分数。通过在基准 LETOR 数据集和大规模点击数据上的实验证明了 DeepRank 在精确 / 语义匹配信号，接近启发式，查询术语的重要性和不同的相关性要求等方面能够显著优于学习排名方法和现有的深度学习方法。

    Oct, 2017

  • 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

  • 序列推荐系统中训练损失中集成项目相关性

    提出了一个新的评估协议来解决 “多余噪声” 对顺序推荐系统的影响，并引入了一种新型的关联感知损失函数来训练该系统，使其更具有鲁棒性，该模型在传统评估协议中 NDCG@10 有 0.88% 的提高，在新评估协议中有 1.63% 的 NDCG@10 和 1.5％的 HR 提高。

    May, 2023

  • 学习排序系统中的选择偏差校正

    该研究考虑推荐系统中的不同偏差对算法性能的影响，提出新的反事实方法以解决位置和选择偏差，实验证明这些方法对噪声更具鲁棒性并具有更高精确度。

    Jan, 2020

  • 增强文档 - 查询交互的深度相关性排名

    本文基于 Guo 等人 (2016) 的深度相关匹配模型 (DRMM)，探讨了几种新的文件相关性排序模型。加入上下文有关的编码，包括多视图的查询和文档输入，测试证明新模型优于 BM25，DRMM 和 PACRR。

    Sep, 2018

  • 学习丰富排序

    采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

    Dec, 2023