联邦无偏学习排序
信息检索
2021-05-12 v1 机器学习
摘要
无偏学习排序（ULTR）研究基于有偏用户交互学习排序函数的问题。在该框架下，ULTR算法必须依赖由中心服务器收集、存储和聚合的大量用户数据。本文我们考虑一种设备端搜索设定，用户在其本地设备上针对个人语料库进行搜索，目标是从有偏用户交互中学习排序函数。由于隐私约束，用户的查询、个人文档、结果列表和原始交互数据不会离开其设备，ULTR必须通过联邦学习（FL）执行。直接在用户设备上应用现有ULTR算法可能因本地交互数量有限而面临训练数据不足的问题。为解决此问题，我们提出FedIPS算法，该算法在中心服务器协调下从设备端用户交互中学习，并利用点击倾向性去除用户交互中的位置偏差。我们在Yahoo和Istella数据集上对FedIPS的评估表明，FedIPS在一系列位置偏差下具有鲁棒性。
引用
@article{arxiv.2105.04761,
title = {Federated Unbiased Learning to Rank},
author = {Chang Li and Hua Ouyang},
journal= {arXiv preprint arXiv:2105.04761},
year = {2021}
}