【论文推荐WWW2020-UIUC】修正排序系统中的选择偏差：Correcting for Selection Bias in Learning-to-rank Systems

题目

修正排序系统中的选择偏差：Correcting for Selection Bias in Learning-to-rank Systems

类型

推荐系统偏差

关键字

推荐系统，学习排名，位置偏差，选择偏差

简介

现代推荐系统收集的点击数据是一个重要的观测数据来源，可用于训练学习排名（LTR）系统。然而，这些数据受到许多偏差的影响，这些偏差可能导致LTR系统性能不佳。在这种系统中，最新的偏差校正方法主要集中在位置偏差上，即排名较高的结果（例如，上搜索引擎的结果）更容易被点击，即使它们不是给出用户查询的最相关的结果。很少有人注意到对选择偏差的纠正，这是因为被选中的文档首先反映了用户拥有的文档。在这里，我们提出了一种新的基于赫克曼两阶段方法的新方法，并对LTR系统中的选择和位置偏差进行了解释。通过实例评价表明，与现有的无偏LTR算法相比，所提出的方法对噪声具有更强的鲁棒性和更好的精度，尤其是在没有位置偏差的情况下。

作者

Zohreh Ovaisi，Ragib Ahsan,伊利诺伊大学芝加哥分校。

Yifan Zhang，中山大学