本文介绍了针对电子商务推荐系统中转化率估计的两种高效的估计方法，基于多任务学习框架解决了选择偏差、数据稀疏等问题，并通过实验表明其优于现有的 CVR 模型。

Oct, 2019

本文提出了一种多重稳健估计器，该估计器可以利用多个候选值进行无偏估计，并介绍了一种新的具有稳定性的多重稳健学习方法，实验结果表明，该方法具有优越的性能.

Jul, 2022

推荐系统在用户评级其偏好项目时常受到选择偏差的困扰。本文提出了一种加倍稳健估计器及其改进类型，通过提供准确的修正误差或预测倾向来确保无偏估计。然而，现有的估计器依赖于粗糙模型的不准确修正误差和倾向评分，我们提出了一个加倍校准估计器，通过校准修正误差和倾向模型以提高估计器的效果。通过实证研究验证了我们的理论，并结合预测和修正模型一起进行了校准专家的三层联合学习，在真实数据集上的广泛实验中证明了加倍校准估计器在去偏推荐任务中的优越性。

Feb, 2024

为解决推荐系统中的数据偏差问题，本研究提出一种名为保守双重稳健策略（CDR）的方法，通过检验均值和方差来过滤造成负面影响的代入值。理论分析表明，CDR 具有降低方差和改善尾部边界的优势，并通过实证研究证明，CDR 显著提高了性能并减少了有害的代入值的频率。

Aug, 2023

本文针对强化学习中的离策略评估问题，提出了一种名为 MRDR 的更加鲁棒的 Doubly Robust 估计方法，该方法通过最小化 DR 估计器的方差来学习模型参数，并在上下文决策和强化学习基准问题中进行评估，证明了其强一致性和渐进最优性。

Feb, 2018

该论文提出了一种基于用户行为先后顺序的 CTR 建模方法，即评估用户广告点击数据的转化率，并使用全空间多任务模型 (ESMM) 进行直接建模，该方法可以同时解决采样偏差问题和数据稀疏性问题，并在淘宝推荐系统数据集上进行了实验证明其比竞争方法具有更好的性能。同时，文中还发布了包含点击和转化标签的序列依赖采样版本，成为首个公开的采样版本数据集。

Apr, 2018

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

提出了通过加入一些行为决策点来缓解 Data Sparsity 和 Sample Selection Bias 问题的新的深度推荐模型 ESM²，将多个子任务的概率以及它们在用户行为路径上的条件概率结合起来，通过大量的线下和线上实验验证，实现了比同类现有模型更好的推荐效果。

Oct, 2019

本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

Jul, 2023

本文提出了一个新颖的神经网络框架 ESDF，它从整个空间的角度模型化 CVR 预测，并结合了用户顺序行为模式和时间延迟因素，以同时解决数据稀疏性、样本选择偏差和延迟反馈等三大挑战。经过大量实验，ESDF 已经成为 CVR 预测领域统一解决这三大挑战的首次尝试。

Nov, 2020