用于去偏点击后转化率估计的增强双重稳健学习
机器学习
2022-01-11 v3 信息检索
摘要
点击后转化作为指示用户偏好的强信号，有益于构建推荐系统。然而，由于选择偏差（即观测到的点击事件通常发生在用户偏好的物品上），准确估计点击后转化率（CVR）具有挑战性。当前，多数现有方法利用反事实学习对推荐系统去偏。其中，双重稳健（DR）估计器通过以双重稳健方式结合基于误差填补（EIB）的估计器与逆倾向得分（IPS）估计器取得了有竞争力的性能。然而，不准确的误差填补可能导致其方差高于 IPS 估计器。更糟的是，现有方法通常使用简单的模型无关方法估计填补误差，不足以逼近动态变化的模型相关目标（即预测模型的梯度方向）。为解决这些问题，我们首先推导了 DR 估计器的偏差与方差。基于此，提出了一种更稳健的双重稳健（MRDR）估计器，在保持其双重稳健性的同时进一步降低方差。此外，我们为 MRDR 估计器提出了一种新颖的双重学习方法，可将误差填补转化为通用 CVR 估计。另外，我们经验性地验证了所提学习方案能进一步消除填补学习的高方差问题。为评估其有效性，在半合成数据集与两个真实世界数据集上进行了大量实验。结果展示了所提方法相较最先进方法的优越性。代码见 https://github.com/guosyjlu/MRDR-DL。
引用
@article{arxiv.2105.13623,
title = {Enhanced Doubly Robust Learning for Debiasing Post-click Conversion Rate Estimation},
author = {Siyuan Guo and Lixin Zou and Yiding Liu and Wenwen Ye and Suqi Cheng and Shuaiqiang Wang and Hechang Chen and Dawei Yin and Yi Chang},
journal= {arXiv preprint arXiv:2105.13623},
year = {2022}
}
备注
10 pages, 3 figures, accepted by SIGIR 2021