面向可靠内容推荐的全程空间反事实学习
机器学习
2026-03-26 v3 人工智能
机器学习
摘要
点击后转化率（CVR）估计是开发有效推荐系统的基础任务，但其面临数据稀疏与样本选择偏差的挑战。为应对这两类挑战，采用全程空间多任务模型将用户行为路径分解为曝光 点击 转化序列，为 CVR 估计构建替代学习任务。然而，这些方法存在两个显著缺陷：(1) 固有估计偏差（IEB），即 CVR 估计值高于实际值；(2) 错误独立性先验（FIP），即点击与后续转化之间的因果关系被潜在忽略。为克服这些局限，我们提出了一种模型无关框架，即全程空间反事实多任务模型（ESCM），其在 ESMM 框架内引入反事实风险最小化器以正则化 CVR 估计。在大规模工业推荐数据集与在线工业推荐服务上的实验表明，ESCM 有效缓解了 IEB 与 FIP 缺陷，并显著提升了推荐性能。
引用
@article{arxiv.2210.11039,
title = {Entire Space Counterfactual Learning for Reliable Content Recommendations},
author = {Hao Wang and Zhichao Chen and Zhaoran Liu and Haozhe Li and Degui Yang and Xinggao Liu and Haoxuan Li},
journal= {arXiv preprint arXiv:2210.11039},
year = {2026}
}
备注
This submission is an extension of arXiv:2204.05125