具有风险控制的推理时随机排序
机器学习
2024-05-21 v3 计算机与社会
信息检索
摘要
学习排序（LTR）方法在在线经济中至关重要，影响着用户与物品提供者。LTR 模型的公平性对于将曝光度按物品相关性比例进行分配十分关键。广泛使用的确定性 LTR 模型可能导致不公平的曝光分布，尤其是当相关性相同的物品获得略微不同的排序分数时。结合 Plackett-Luce（PL）排序模型的随机 LTR 模型解决了公平性问题，但训练成本高昂。此外，它们无法对效用或公平性提供保证，在为公平性优化时可能导致效用急剧下降。为克服这些局限，我们提出具有风险控制的推理时随机排序（ISRR），一种新颖的方法，在推理时执行随机排序，并在给定来自确定性或随机 LTR 模型的预训练打分函数的情况下，保证效用或公平性。在三个广泛采用的数据集上的综合实验结果表明，我们提出的方法以低得多的计算成本实现了与现有随机排序方法相当的效用与公平性。此外，结果验证了我们的方法在效用与公平性上提供有限样本保证。这一进展对随机排序与公平 LTR 领域作出了重要贡献，并具有广阔的现实应用前景。
引用
@article{arxiv.2306.07188,
title = {Inference-time Stochastic Ranking with Risk Control},
author = {Ruocheng Guo and Jean-François Ton and Yang Liu and Hang Li},
journal= {arXiv preprint arXiv:2306.07188},
year = {2024}
}