論文の概要: Mitigate Position Bias with Coupled Ranking Bias on CTR Prediction

• arxiv url: http://arxiv.org/abs/2405.18971v1
• Date: Wed, 29 May 2024 10:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 23:33:22.648081
• Title: Mitigate Position Bias with Coupled Ranking Bias on CTR Prediction
• Title（参考訳）: CTR予測における結合ランクバイアスによる緩和位置バイアス
• Authors: Yao Zhao, Zhining Liu, Tianchi Cai, Haipeng Zhang, Chenyi Zhuang, Jinjie Gu,
• Abstract要約: 既存の方法の多くは、アイテムの配置位置にも関係している、広範囲に結合したランキングバイアスを無視している。 本研究では、この広く共存しているランキングバイアスが、既存の位置バイアス推定手法の性能を悪化させることを示す。 位置バイアスをランキングバイアスの存在下で緩和するために, ヒューズ重みを用いた2つの推定手法を融合した新しい位置バイアス推定法, すなわち勾配を提案する。
• 参考スコア（独自算出の注目度）: 40.9668016608627
• License:
• Abstract: Position bias, i.e., users' preference of an item is affected by its placing position, is well studied in the recommender system literature. However, most existing methods ignore the widely coupled ranking bias, which is also related to the placing position of the item. Using both synthetic and industrial datasets, we first show how this widely coexisted ranking bias deteriorates the performance of the existing position bias estimation methods. To mitigate the position bias with the presence of the ranking bias, we propose a novel position bias estimation method, namely gradient interpolation, which fuses two estimation methods using a fusing weight. We further propose an adaptive method to automatically determine the optimal fusing weight. Extensive experiments on both synthetic and industrial datasets demonstrate the superior performance of the proposed methods.
• Abstract（参考訳）: 位置バイアス、すなわち、アイテムの好みはその配置位置に影響され、レコメンダシステム文献でよく研究されている。 しかし、既存のほとんどの手法は、アイテムの配置位置にも関係している広範囲に結合したランキングバイアスを無視している。 人工的および工業的両方のデータセットを用いて、この広く共存しているランキングバイアスが、既存の位置バイアス推定方法の性能を悪化させることを示す。 位置バイアスをランキングバイアスの有無で緩和するため, ヒュージング重みを用いた2つの推定手法を融合した新しい位置バイアス推定法, 勾配補間法を提案する。 さらに,最適なヒュージング重量を自動的に決定する適応手法を提案する。 人工的および工業的両方のデータセットに対する大規模な実験は、提案手法の優れた性能を示す。

関連論文リスト

• Eliminating Position Bias of Language Models: A Mechanistic Approach [119.34143323054143]
  位置バイアスは現代言語モデル (LM) の一般的な問題であることが証明されている。 我々の力学解析は、ほぼ全ての最先端のLMで使われている2つのコンポーネント(因果的注意と相対的位置エンコーディング)に位置バイアスが関係している。 位置バイアスを排除することによって、LM-as-a-judge、検索強化QA、分子生成、数学推論など、下流タスクのパフォーマンスと信頼性が向上する。
  論文  参考訳（メタデータ） (2024-07-01T09:06:57Z)
• Position bias in features [0.0]
  文書固有の履歴クリックスルーレートは、動的ランキングシステムにおいて重要な特徴である。 本稿では, それらの特徴について述べるとともに, 制御実験で検証する。
  論文  参考訳（メタデータ） (2024-02-04T22:15:30Z)
• Click-Conversion Multi-Task Model with Position Bias Mitigation for Sponsored Search in eCommerce [51.211924408864355]
  位置認識型クリック変換(PACC)と位置埋め込み(PACC-PE)によるPACCの2つの位置バイアスのない予測モデルを提案する。 Eコマースが支援する製品検索データセットの実験により、提案したモデルではランキングの有効性が向上し、CTRとCVRの予測における位置バイアスを大幅に軽減できることが示された。
  論文  参考訳（メタデータ） (2023-07-29T19:41:16Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)
• Mitigating the Position Bias of Transformer Models in Passage Re-Ranking [12.526786110360622]
  教師付き機械学習モデルとその評価は、基礎となるデータセットの品質に大きく依存する。 文中の正しい回答の位置の偏りを,文節の再ランキングに用いる2つの一般的な質問応答データセットで観察する。 位置バイアスを緩和することにより、Transformerベースのリグレードモデルはバイアス付きおよび偏りのあるデータセットに対して等しく有効であることを示す。
  論文  参考訳（メタデータ） (2021-01-18T10:38:03Z)
• Taking the Counterfactual Online: Efficient and Unbiased Online Evaluation for Ranking [74.46448041224247]
  データロギングのポリシーを最適化する新しいロギング・ポリシ最適化アルゴリズム(LogOpt)を導入する。 LogOptは、ログポリシーに無関係な反ファクト的なアプローチをオンラインアプローチに変換し、アルゴリズムが表示すべきランキングを決定する。 オンライン評価手法として、LogOptは既存のインターリービング方法とは異なり、位置と項目選択バイアスに偏りがないことが証明されている。
  論文  参考訳（メタデータ） (2020-07-24T18:05:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。