SIGIRSep, 2020

点击可能是作弊的：反事实推荐以减轻标题党问题

PDF
TL;DR本研究提出了一种基于因果图和反事实推断的建议模型，以减轻用户面对过多的机械预测的问题，并明显提高了用户在现实世界中的满意度。
recommendationclick-through rate predictioncausal graphcounterfactual inferencepost-click satisfaction
发现论文，激发创造
  • 在线广告中的点击率预测：文献综述

    本文系统地回顾了 CTR 预测领域的最新研究进展及其建模框架，着重介绍了基础建模框架及其拓展，对其优缺点和预测性能进行了分类总结，并结合各类数据集对不同复杂度和要素相互作用顺序进行了性能比较。同时，本文还识别出当前研究趋势、主要挑战和未来研究方向，为有意从事该领域的学者提供了基础知识和高效的进入点。

    Feb, 2022

  • 再看 CTR 预测：关注全部需求吗？

    本文旨在使用经济学中的离散选择模型对点击率 (CTR) 预测问题进行重新定义，并提出了一种使用自注意力机制构建的通用神经网络框架，该框架与现有的大多数 CTR 预测模型相一致，同时还考虑了模型的表达能力和复杂性，最后通过一些公共数据集上的实验结果证明了我们提出的见解。

    May, 2021

  • 反事实可解释推荐

    本文提出 Counterfactual Explainable Recommendation（CountER）模型，并利用因果推理的洞见进行解释，通过联合优化来生成新的最小更改使得机器推荐相反的物品，以便形成推荐的原因解释，具有更高的解释质量。

    Aug, 2021

  • 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

  • 学习如何因果解释推荐

    通过使用反事实逻辑，即 “如果您不与以下项目互动，我们将不推荐它”，我们探讨了如何解释推荐系统的推荐。我们提出了一个基于学习的框架来生成反事实说明，该框架训练一个代理模型来学习删除用户历史记录子集对推荐的影响，进而找到代理模型预测的最有可能删除推荐的历史记录子集，从而生成解释。通过离线实验和在线用户研究，我们发现相比于基线方法，我们的方法可以生成更加合理和令用户更满意的解释。

    Nov, 2022

  • 使用多模超图进行点击率预测

    使用 Hypergraph Click-Through Rate prediction framework 模型，利用多模态交互的用户和物品信息和生成的基于兴趣的用户超图和物品超图，通过时间感知的用户 - 物品二分网络来预测用户对微视频点击率，该模型表现显著优于其他现有的模型。

    Sep, 2021

  • 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

  • 点击率预测模型中的用户行为端到端检索

    该研究提出了一种叫做 ETA 的局部敏感哈希方法，可以大大降低训练和推理成本，并使得可以使用长期用户行为序列进行端到端训练，以实现更好的点击率预测表现。

    Aug, 2021

  • 长序列用户行为对于点击率预测的建模实践

    本研究通过机器学习算法与在线服务系统的共同设计，提出了处理长序列用户行为数据的解决方案，能够有效地处理超过千级的长序列用户行为数据，提升了模型性能和系统效率。

    May, 2019

  • 消除推荐系统中流行度偏见的模型无关反事实推理

    通过因果推断的方法，该研究提出了一种解决推荐系统中流行物品偏差问题的可行的新思路，并采用多任务学习和反事实推断来实现此方案，有效地改善了 Matrix Factorization 和 LightGCN 等现有推荐算法。

    Oct, 2020