面向稀疏数据集的基于物品嵌入的位置偏差估计
信息检索
2024-03-13 v3
摘要
估计位置偏差是排序学习（Learning to Rank, L2R）中一个众所周知的挑战。电子商务应用（如定向广告和搜索引擎）中的点击数据提供了隐式但丰富的反馈，以改善个性化排序。然而，点击数据固有地包含各种偏差，如位置偏差。基于位置点击模型，已提出结果随机化与回归期望最大化算法（Regression Expectation-Maximization, REM）来估计位置偏差，但它们需要各种（物品, 位置）的配对观测。在广告的实际场景中，营销人员经常以固定的预定顺序展示广告，由于训练数据中各种配对可用性的限制，导致数据集稀疏，给估计带来困难。我们提出了一种利用物品嵌入来缓解（物品, 位置）稀疏性的 REM 变体。使用公开数据集和内部轮播广告点击数据集，我们经验性地表明，结合潜在语义索引（Latent Semantic Indexing, LSI）和变分自编码器（Variational Auto-Encoder, VAE）的物品嵌入提高了位置偏差估计的准确性，且估计出的位置偏差提升了排序学习性能。我们还表明，作为位置偏差估计的嵌入创建方法，LSI 更为有效。
引用
@article{arxiv.2305.13931,
title = {Position Bias Estimation with Item Embedding for Sparse Dataset},
author = {Shion Ishikawa and Yun Ching Liu and Young-Joo Chung and Yu Hirate},
journal= {arXiv preprint arXiv:2305.13931},
year = {2024}
}