未识别且被混淆？理解用于无偏学习排序的双塔模型
信息检索
2025-09-01 v1
摘要
加法双塔模型是处理有偏用户反馈的学习排序方法，广泛应用于行业场景。然而，近期研究报告称，在生产系统上收集的点击数据上训练双塔模型会导致排序性能下降。本文检讨两个最新的解释：来自日志策略的混合效应以及模型可识别性问题。我们理论分析了双塔模型的可识别性条件，表明需要跨位置的文件交换或特征分布重叠才能从点击数据中恢复模型参数。我们也研究了日志策略对双塔模型的影响，发现当模型完美捕捉用户行为时，日志策略不会引入偏差。然而，当模型不完美地捕捉用户行为时，日志策略可能会放大偏差，特别是当预测误差与文档在不同位置上的放置相关时。我们提出了一种样本加权技术来缓解这些影响，并为使用双塔模型的研究者和实践者提供了可操作的见解。
引用
@article{arxiv.2508.21698,
title = {Unidentified and Confounded? Understanding Two-Tower Models for Unbiased Learning to Rank (Extended Abstract)},
author = {Philipp Hager and Onno Zoeter and Maarten de Rijke},
journal= {arXiv preprint arXiv:2508.21698},
year = {2025}
}