SIGIRMay, 2020

基于级联模型的倾向性估计，用于反事实学习排序

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 解决离线推荐学习中的倾向性矛盾问题

    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。

    Oct, 2019

  • 基于曝光的风险最小化的反事实学习排序的安全部署

    提出了一种新的风险感知的 CLTR 方法，使用了风险正则化来保证排名模型相对于安全模型的一致性，从而大大降低了模型部署的风险。经实验证明，该方法可以有效避免在数据量较少时出现性能下降的情况，并在收敛后保持高性能，为 CLTR 领域提供了更安全的模型部署方法。

    Apr, 2023

  • 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

  • 知识蒸馏下的位置偏差建模思考与 CTR 预测

    提出一种基于知识蒸馏的简单而高效的方法，以缓解位置偏差的影响，利用位置信息来提高 CTR 预测性能。在真实世界的生产数据集和在线 A/B 测试中，该方法取得了显著的性能改善，并已在全球最大电商平台的主要流量服务中部署。

    Apr, 2022

  • 不点击就代表不相关吗？倾向比分数作为纠正

    该论文提出了一个新的加权方案 Propensity Ratio Scoring（PRS），通过对点击和非点击的处理来纠正 LTR 中引入的偏差，避免 LTR 训练中不必要的文档比较，从而保证更有效地利用单击数据并在 LTR 训练中实现改进的性能。

    May, 2020