无偏学习排序：反事实与在线方法
信息检索
2019-07-18 v1
摘要
本教程涵盖并对比了无偏学习排序（LTR）的两种主要方法：反事实 LTR 与在线 LTR。长期以来，利用用户交互进行 LTR 一直备受关注，然而这种隐式反馈存在严重偏差。近年来，无偏 LTR 方法被提出以消除搜索中用户行为所导致的各类偏差的影响。例如，位置偏差是一种被广泛研究的偏差类型：文档展示的排名会极大影响其获得的交互。反事实 LTR 方法通过从历史交互中学习，并对显式建模的偏差效应进行修正，来处理此类偏差。与之相反，在线 LTR 不使用显式用户模型，而是通过向用户展示随机化结果的交互过程进行学习。借助随机化，可将不同类型偏差的影响从学习过程中消除。尽管两种方法均能实现无偏 LTR，但其途径差异显著，且在理论保证、实证结果、学习过程中对用户体验的影响以及适用性方面亦有所不同。因此，对实践者而言，二者之间的选择至关重要。通过概述两种方法并作对比，我们旨在提供一份无偏 LTR 的必备指南，以助理解与抉择方法论。
引用
@article{arxiv.1907.07260,
title = {Unbiased Learning to Rank: Counterfactual and Online Approaches},
author = {Harrie Oosterhuis and Rolf Jagerman and Maarten de Rijke},
journal= {arXiv preprint arXiv:1907.07260},
year = {2019}
}
备注
Abstract for tutorial appearing at SIGIR 2019