InfoRank：通过条件互信息最小化实现无偏学习排序

根据个体用户兴趣对项目进行排序是推荐系统等多个下游任务的核心技术。学习这种个性化排序器通常依赖于用户过去点击行为的隐式反馈。然而，收集到的反馈偏向于先前排名较高的项目，直接从中学习会导致“富者愈富”现象。在本文中，我们提出了一种简单而充分的无偏学习排序范式，名为InfoRank，旨在同时解决位置偏差和流行度偏差。我们首先将这些偏差的影响整合到一个单一的观察因素中，从而提供一种统一的方法来处理偏差相关问题。随后，我们在以输入特征为条件的情况下，最小化观察估计与相关性估计之间的互信息。通过这样做，可以证明我们的相关性估计是无偏的。为实现InfoRank，我们首先引入注意力机制来捕捉用户-项目特征中的潜在相关性，从而生成观察和相关性估计。然后，我们引入一个基于条件互信息的正则化项，以促进相关性估计与观察估计之间的条件独立。在三个广泛的推荐和搜索数据集上进行的实验评估表明，InfoRank能够学习到更精确且无偏的排序策略。