用于上下文相关考察偏差估计的干预采集
信息检索
2019-05-27 v3
摘要
在搜索引擎与推荐系统中，从隐式反馈进行无偏学习排序时，对考察偏差的准确估计至关重要，因为它使得能够使用逆倾向得分(Inverse Propensity Score, IPS)加权技术来处理选择偏差与数据缺失。遗憾的是，现有的考察偏差估计器局限于位置基模型(Position-Based Model, PBM)，其中考察偏差仅能依赖于文档的排序位置。为克服此局限，我们提出上下文位置基模型(Contextual Position-Based Model, CPBM)，其中考察偏差还可依赖于描述查询与用户的上下文向量。此外，我们提出一种基于干预采集的 CPBM 有效估计器。该估计器的一个关键特征是无需破坏性干预，而仅利用由多个历史排序函数的使用所产生的自然变动。在 ArXiv 搜索引擎上的真实实验与 Yahoo Learning-To-Rank 数据集上的半合成实验证明了新方法更优的有效性与鲁棒性。
引用
@article{arxiv.1811.01802,
title = {Intervention Harvesting for Context-Dependent Examination-Bias Estimation},
author = {Zhichong Fang and Aman Agarwal and Thorsten Joachims},
journal= {arXiv preprint arXiv:1811.01802},
year = {2019}
}