反事实学习排序中基于混合的位置与信任偏差校正
信息检索
2021-08-20 v1
摘要
在反事实学习排序（CLTR）中，用户交互被用作监督来源。由于用户交互带有偏差，该领域研究的一个重要焦点在于开发方法来校正交互的偏差。逆倾向评分（IPS）是一种适用于校正位置偏差的流行方法。仿射校正（AC）是 IPS 的推广，可校正位置偏差和信任偏差。IPS 和 AC 在准确估计偏差参数的条件下可证明去除偏差。而估计偏差参数反过来又需要准确估计相关性概率。这种循环依赖在敏感性、收敛性和效率方面带来了实际限制。我们提出了一种 CLTR 中针对位置与信任偏差的新校正方法，与现有方法不同，该校正不依赖于相关性估计。我们提出的方法，即基于混合的校正（MBC），基于如下假设：被排序项目的点击率（CTR）分布是两种分布的混合：相关项目的 CTR 分布与非相关项目的 CTR 分布。我们证明我们的方法是无偏的。我们证明的有效性不依赖于准确的偏差参数估计。我们的实验表明，当 MBC 用于不同偏差设置并配合不同 LTR 算法时，在某些设置下优于 AC（校正位置与信任偏差的当前最优方法），而在其他设置下表现相当。此外，就训练时间而言，MBC 比 AC 高效数个数量级。
引用
@article{arxiv.2108.08538,
title = {Mixture-Based Correction for Position and Trust Bias in Counterfactual Learning to Rank},
author = {Ali Vardasbi and Maarten de Rijke and Ilya Markov},
journal= {arXiv preprint arXiv:2108.08538},
year = {2021}
}
备注
CIKM 2021