关键词inverse propensity score
搜索结果 - 3
- 神经分层去偏见推荐
我们提出了一种针对推荐系统中由于观测到的用户 - 项目曝光数据稀疏和嘈杂导致难以估计 IPS 的问题的方法,该方法通过聚类用户来计算更准确的 IPS,从而提高暴露密度,基于现实世界数据集展开广泛的实验以证明方法的有效性。
- IJCAI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, - 基于 Bandit 反馈的三种训练方法
本文综述了机器学习在推荐系统日志中的训练方法,并在 RecoGym 仿真环境中进行了实验。三种不同的训练方法分别是模型奖励预测,历史推荐分布调整和倾向性分数逆向估计,并探讨了它们的优缺点和性能表现。