标量不足够：基于向量化的无偏学习排序
信息检索
2022-06-14 v2 人工智能
机器学习
摘要
无偏学习排序（ULTR）旨在从有偏的用户点击日志中训练无偏排序模型。当前多数 ULTR 方法基于检验假设（EH），其假定点击概率可分解为两个标量函数，一个与排序特征相关，另一个与偏置因子相关。遗憾的是，特征、偏置因子与点击之间的交互在实践中十分复杂，通常无法以此独立方式分解。用 EH 拟合点击数据会导致模型误设并带来近似误差。本文提出一种基于向量的 EH，将点击概率公式化为两个向量函数的点积。该解由于能以普适方式拟合任意点击函数而是完备的。基于此，我们提出一种名为 Vectorization 的新模型，自适应学习相关性嵌入并通过将嵌入投影到基向量上来对文档排序。大量实验表明，在复杂真实点击以及简单模拟点击上，我们的方法均显著优于最先进的 ULTR 方法。
引用
@article{arxiv.2206.01702,
title = {Scalar is Not Enough: Vectorization-based Unbiased Learning to Rank},
author = {Mouxiang Chen and Chenghao Liu and Zemin Liu and Jianling Sun},
journal= {arXiv preprint arXiv:2206.01702},
year = {2022}
}
备注
Accepted by KDD 2022