学习推断未观测行为：估计用户对某站点相较于其他站点的偏好

站点的推荐系统依赖于对用户偏好的了解，以便向其提供相关的推荐。这些偏好针对构成站点上展示的物品和内容的属性，并根据用户与站点交互的数据进行估计。另一种形式的用户偏好也是实质性的，即用户对某站点相较于其他站点的偏好，因为这显示了用户参与该站点的基础倾向。然而，估计用户对站点的偏好面临主要障碍，因为 (a) 目标站点通常没有其用户与其他站点交互的数据；这些交互对于目标站点而言是用户的未观测行为；以及 (b) 推荐领域的机器学习文献未提供针对这种情况的模型。即使解决了 (b)，(a) 中的问题依然存在，因为无法获取用户与其他站点交互的数据，就没有用于评估的真值。此外，当 (c) 能够在个体层面估计用户对站点的偏好时最为有用，因为这样站点就可以为个体用户个性化推荐。我们在此前提下提出了一种估计个体用户对目标站点偏好的方法。具体而言，我们在没有任何其他站点数据的情况下，计算目标站点在用户在线参与度中的份额。我们展示了一个仅使用目标站点数据的模型评估框架，使站点能够测试该模型。我们依赖分层贝叶斯方法，并通过两种不同的方式进行估计——马尔可夫链蒙特卡洛 (Markov Chain Monte Carlo) 和带有朗之万动力学的随机梯度 (Stochastic Gradient with Langevin Dynamics)。我们的结果发现，该方法在计算个性化参与份额及其评估方面得到了良好的支持。