用于感知相关检验偏差估计的多特征融合
信息检索
2023-02-28 v1
摘要
准确消除检验偏差对于应用点击数据训练无偏排序模型至关重要。然而，大多数检验偏差估计器局限于位置基模型（PBM）的假设，该假设认为检验偏差的计算仅依赖于文档的排名。近来，尽管一些工作在计算检验偏差时引入了同一查询列表中的点击和上下文信息，它们仍然没有对文档在搜索引擎结果页（SERPs）上的表示的影响进行建模，而这种表示在检验时严重影响用户对文档与查询相关性的感知。因此，我们提出了一种多特征融合模型（MFIM），其中检验偏差除依赖于文档排名外还依赖于文档的表示。此外，我们挖掘了一个关键因素——滑落次数，其可间接反映所有感知偏差因素的影响。在Baidu-ULTR数据集上的真实世界实验证明了新方法的优越有效性和鲁棒性。源代码见 \href{https://github.com/lixsh6/Tencent_wsdm_cup2023/tree/main/pytorch_unbias}{https://github.com/lixsh6/Tencent\_wsdm\_cup2023}
引用
@article{arxiv.2302.13756,
title = {Multi-Feature Integration for Perception-Dependent Examination-Bias Estimation},
author = {Xiaoshu Chen and Xiangsheng Li and Kunliang Wei and Bin Hu and Lei Jiang and Zeqian Huang and Zhanhui Kang},
journal= {arXiv preprint arXiv:2302.13756},
year = {2023}
}