基于点击模型的排序策略离线评估
机器学习
2018-06-15 v2 机器学习
摘要
许多网络系统向用户排列并展示一系列条目，从推荐系统到搜索和广告均如此。实践中的一个重要问题是在部署前离线评估新的排序策略并对其进行优化。我们通过提出从历史上日志记录数据估计排序列表预期点击次数的评估算法来解决此问题。现有算法在我们的问题中无法保证统计效率，因为推荐列表的数量可能随其长度呈指数增长。为克服这一挑战，我们利用用户与条目列表交互的模型（即所谓点击模型）来构建统计上高效学习的估计量。我们分析了我们的估计量，并证明在点击模型成立的假设下，它们比不使用点击模型结构的估计量更高效。我们在真实世界数据集上的一系列实验中评估了我们的估计量，并表明它们持续优于先前的估计量。
引用
@article{arxiv.1804.10488,
title = {Offline Evaluation of Ranking Policies with Click Models},
author = {Shuai Li and Yasin Abbasi-Yadkori and Branislav Kveton and S. Muthukrishnan and Vishwa Vinay and Zheng Wen},
journal= {arXiv preprint arXiv:1804.10488},
year = {2018}
}