面向无偏学习排序的特征增强网络与混合去偏策略
信息检索
2023-02-16 v1
摘要
无偏学习排序（ULTR）旨在缓解用户点击中存在的各种偏差，如位置偏差、信任偏差、展示偏差，并学习一个有效的排序器。在本文中，我们介绍了在 WSDM Cup 2023 中“无偏学习排序”任务上的获奖方法。我们发现所提供的数据存在严重偏差，因此直接使用带有点击信息的前 10 条结果训练的神经网络模型表现不佳。为此，我们针对结果的多字段提取了多个基于启发式的特征，调整点击标签，添加真负样本，并在模型训练过程中对样本进行重加权。由于现有 ULTR 方法学习到的倾向得分（propensity）并不随位置递减，我们还根据点击比例对倾向得分进行校准，并集成以两种不同方式训练的模型。我们的方法以 DCG@10 分数 9.80 获得三等奖，比第二名差 1.1%，比第四名高 25.3%。
引用
@article{arxiv.2302.07530,
title = {Feature-Enhanced Network with Hybrid Debiasing Strategies for Unbiased Learning to Rank},
author = {Lulu Yu and Yiting Wang and Xiaojie Sun and Keping Bi and Jiafeng Guo},
journal= {arXiv preprint arXiv:2302.07530},
year = {2023}
}
备注
5 pages, 1 figure, WSDM Cup 2023