整页无偏排序学习

信息检索系统中的页面展示偏差（尤其在点击行为上）是众所周知的挑战，它阻碍了利用隐式用户反馈来提升排序模型的性能。无偏排序学习（ULTR）算法随之被提出，以利用有偏点击数据学习无偏排序模型。然而，大多数现有算法专门设计用于缓解与位置相关的偏差（如信任偏差），而未考虑搜索结果页面展示（SERP）中其他特征所引起的偏差，例如由多媒体引起的吸引偏差。遗憾的是，这些偏差广泛存在于工业系统中，并可能导致不理想的搜索体验。因此，我们引入一个新问题，即整页无偏排序学习（WP-ULTR），旨在同时处理由整页 SERP 特征引起的偏差。它带来了巨大挑战：（1）合适的用户行为模型（用户行为假设）难以确定；（2）复杂偏差无法被现有算法处理。为应对上述挑战，我们提出一种名为 BAL 的偏差不可知整页无偏排序学习算法，通过因果发现自动寻找用户行为模型，并以无特定设计的方式缓解由多个 SERP 特征引起的偏差。在真实世界数据集上的实验结果验证了 BAL 的有效性。