推荐系统中反事实倾向得分估计的不确定性校准
人工智能
2025-12-02 v3 信息检索
摘要
点击后转化率（CVR）是在线用户偏好的可靠指标，对开发推荐系统至关重要。预测 CVR 的一大挑战是严重的选择偏差，源于用户固有的自选择行为与系统的物品选择过程。为缓解此问题，采用逆倾向得分（IPS）对每个观测实例的预测误差加权。然而，当前倾向得分估计因缺乏质量度量而不可靠。为此，我们从不确定性校准视角评估倾向得分质量，提出以期望校准误差（ECE）作为倾向得分质量的度量，其通过评估预测概率与实际观测频率之差来量化预测概率过度自信的程度。未校准的倾向得分会导致扭曲的 IPS 权重，从而损害 CVR 预测中的去偏过程。本文引入一种模型无关的校准框架，用于基于倾向得分的 CVR 预测去偏。关于偏差与泛化界的理论分析证明了校准后倾向估计相对于未校准者的优越性。在 Coat、Yahoo 与 KuaiRand 数据集上的实验显示出改善的不确定性校准（更低的 ECE 值佐证），带来了提升的 CVR 预测结果。
引用
@article{arxiv.2303.12973,
title = {Uncertainty Calibration for Counterfactual Propensity Estimation in Recommendation},
author = {Wenbo Hu and Xin Sun and Qiang liu and Le Wu and Liang Wang},
journal= {arXiv preprint arXiv:2303.12973},
year = {2025}
}
备注
This is the accepted manuscript version of the IEEE TKDE paper. The final published version will be available at: https://doi.ieeecomputersociety.org/10.1109/TKDE.2025.3552658