以不确定性感知经验贝叶斯方法缓解学习排序中的利用偏差
信息检索
2023-05-29 v1
摘要
排序是许多人工智能（AI）应用的核心，包括搜索引擎、推荐系统等。现代排序系统通常由基于用户行为信号构建的学习排序（LTR）模型构成。尽管先前研究已证明将用户行为信号（如点击）用作LTR算法的特征和标签的有效性，我们认为现有LTR算法在输入特征中不加区分地处理行为与非行为信号，可能导致实际中的次优性能。特别是因为用户行为信号常与排序目标强相关，且只能在已展示给用户的物品上收集，直接在LTR中使用行为信号会产生利用偏差，长期损害系统性能。为应对利用偏差，我们提出EBRank，一种基于经验贝叶斯的不确定性感知排序算法。具体而言，为克服排序模型中行为特征带来的利用偏差，EBRank使用仅基于非行为特征的先验模型来获得相关性的先验估计。在排序系统的动态训练与服务中，EBRank使用观测到的用户行为更新后验相关性估计，而非将行为拼接为排序模型中的特征。此外，EBRank额外应用不确定性感知探索策略主动探索，为经验贝叶斯建模收集用户行为并提升排序性能。在三个公开数据集上的实验表明，EBRank有效、实用，且显著优于最先进的排序算法。
引用
@article{arxiv.2305.16606,
title = {Mitigating Exploitation Bias in Learning to Rank with an Uncertainty-aware Empirical Bayes Approach},
author = {Tao Yang and Cuize Han and Chen Luo and Parth Gupta and Jeff M. Phillips and Qingyao Ai},
journal= {arXiv preprint arXiv:2305.16606},
year = {2023}
}