双边市场中基于IPW的无偏排序度量
信息检索
2023-07-21 v1 机器学习
机器学习
摘要
在现代推荐系统中，无偏学习排序（LTR）对于从有偏的隐式用户反馈（如点击数据）中优先排序物品至关重要。已有若干技术（如逆倾向加权（IPW））被提出用于单边市场。然而，针对双边市场（如求职平台或约会服务，其中成功转化需要匹配双方用户的偏好）的关注较少。本文探讨双边市场中用户间偏置的复杂交互，并提出一种定制的 LTR 方法。我们首先给出双边匹配平台中反馈机制的公式化描述，并指出其隐式反馈可能包含来自双方用户群体的位置偏置。基于此观察，我们扩展 IPW 估计量并提出一种新估计量，称为双边 IPW，以解决双边市场中的位置偏置。我们证明所提估计量对真实排序度量满足无偏性。我们在真实世界双边平台上进行了数值实验，并从精度与鲁棒性两方面证明了所提方法的有效性。实验表明，尤其在处理训练数据中较少出现的稀有物品时，我们的方法优于基线。
引用
@article{arxiv.2307.10204,
title = {An IPW-based Unbiased Ranking Metric in Two-sided Markets},
author = {Keisho Oh and Naoki Nishimura and Minje Sung and Ken Kobayashi and Kazuhide Nakata},
journal= {arXiv preprint arXiv:2307.10204},
year = {2023}
}