推荐中精度-偏差权衡的自采样训练与评估
信息检索
2023-02-08 v1
摘要
去偏推荐研究已展现出有前景的结果。然而，其工业推荐应用仍须解决若干问题。例如，大多数现有方法需要特定数据、架构与训练方法。本文中，我们首先通过一项在线研究指出，在工业推荐中任意去除所有偏差未必能稳定带来期望的性能提升。针对随机化数据集不可得的情形，我们提出一种新颖的自采样训练与评估（SSTE）框架，以实现推荐中的精度-偏差权衡，即消除有害偏差并保留有益偏差。具体地，SSTE 使用自采样模块从原始训练与验证数据生成具有不同偏差程度的一些子集。自训练模块基于这些子集推断有益偏差并学习更好的权衡，自评估模块旨在利用这些子集构建更合理的参考以反映优化后的模型。最后，我们在两个数据集上进行了广泛的离线实验以验证 SSTE 的有效性。此外，我们将 SSTE 部署于名为腾讯理财通的知名理财产品的首页推荐中，并在在线 A/B 测试中发现了极具前景的结果。
引用
@article{arxiv.2302.03419,
title = {Self-Sampling Training and Evaluation for the Accuracy-Bias Tradeoff in Recommendation},
author = {Dugang Liu and Yang Qiao and Xing Tang and Liang Chen and Xiuqiang He and Weike Pan and Zhong Ming},
journal= {arXiv preprint arXiv:2302.03419},
year = {2023}
}
备注
Accepted by DASFAA 2023 Industry Track