基于查询级点击倾向估计的无偏学习排序
信息检索
2025-02-19 v2
摘要
大多数现有无偏学习排序（ULTR）方法基于用户检验假设，即用户仅在结果同时具有相关性和被观察（通常建模为位置）时才会点击。然而，在实际场景中，用户往往因耐心有限或信息需求已被满足，而只点击一个或两个结果后即停止检查。为此，我们提出了查询级点击倾向模型，以捕捉用户点击不同结果列表的概率，允许用户对被观察的相关结果不点击的非零概率。我们假设，当更多潜在相关结果存在时，这种倾向会增加，称之为相关饱和偏置。我们的方法引入双重逆倾向加权（DualIPW）机制——结合查询级和位置级 IPW——以解决相关饱和和位置偏置。通过理论推导，我们证明 DualIPW 能够学习无偏排序模型。实验在真实世界的 Baidu-ULTR 数据集上表明，我们的方法显著优于最新的 ULTR 基线方法。代码和数据集信息可在 https://github.com/Trustworthy-Information-Access/DualIPW 查阅。
引用
@article{arxiv.2502.11414,
title = {Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance},
author = {Lulu Yu and Keping Bi and Jiafeng Guo and Shihao Liu and Dawei Yin and Xueqi Cheng},
journal= {arXiv preprint arXiv:2502.11414},
year = {2025}
}
备注
5 pages, 3 figures, accepted by The ACM Web Conference (WWW) 2025 Short Paper Track