論文の概要: Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance

• arxiv url: http://arxiv.org/abs/2502.11414v2
• Date: Tue, 18 Feb 2025 07:04:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:05:17.316915
• Title: Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance
• Title（参考訳）: 問合せレベルのクリック確率推定によるランク付けの曖昧な学習:視点的観察と関連性を超えて
• Authors: Lulu Yu, Keping Bi, Jiafeng Guo, Shihao Liu, Dawei Yin, Xueqi Cheng,
• Abstract要約: 現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果だけをクリックします。 本稿では,ユーザが異なる検索結果リストをクリックする確率を捉えるために,クエリレベルのクリック確率モデルを提案する。 本手法では,2次元逆重み付け機構を導入し,相対飽和度と位置偏差に対処する。
• 参考スコア（独自算出の注目度）: 74.43264459255121
• License:
• Abstract: Most existing unbiased learning-to-rank (ULTR) approaches are based on the user examination hypothesis, which assumes that users will click a result only if it is both relevant and observed (typically modeled by position). However, in real-world scenarios, users often click only one or two results after examining multiple relevant options, due to limited patience or because their information needs have already been satisfied. Motivated by this, we propose a query-level click propensity model to capture the probability that users will click on different result lists, allowing for non-zero probabilities that users may not click on an observed relevant result. We hypothesize that this propensity increases when more potentially relevant results are present, and refer to this user behavior as relevance saturation bias. Our method introduces a Dual Inverse Propensity Weighting (DualIPW) mechanism -- combining query-level and position-level IPW -- to address both relevance saturation and position bias. Through theoretical derivation, we prove that DualIPW can learn an unbiased ranking model. Experiments on the real-world Baidu-ULTR dataset demonstrate that our approach significantly outperforms state-of-the-art ULTR baselines. The code and dataset information can be found at https://github.com/Trustworthy-Information-Access/DualIPW.
• Abstract（参考訳）: 既存のUnbiased Learning-to-rank(ULTR)アプローチは、ユーザテストの仮説に基づいている。 しかし、現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果しかクリックしないことが多い。 そこで本研究では,クエリレベルのクリック確率モデルを提案し,ユーザが異なる結果リストをクリックする確率を推定する。 より関連性の高い結果が存在すると、この確率が増加するという仮説を立て、このユーザの振る舞いを関連飽和バイアス(relevance saturation bias)と呼ぶ。 本手法では,クエリレベルと位置レベルのIPWを組み合わせたDual Inverse Propensity Weighting(DualIPW)機構を導入し,関連飽和と位置バイアスに対処する。 理論的導出により、DualIPWがバイアスのないランキングモデルを学習できることが証明される。 実世界のBaidu-ULTRデータセットの実験により、我々のアプローチは最先端のULTRベースラインを大きく上回ることを示した。 コードとデータセット情報はhttps://github.com/Trustworthy-Information-Access/DualIPWで確認できる。

関連論文リスト

• Unbiased Learning to Rank Meets Reality: Lessons from Baidu's Large-Scale Search Dataset [48.708591046906896]
  Unbiased Learning-to-rank(ULTR)は、ユーザクリックから学習するための確立したフレームワークである。 Baidu-ULTRデータセットで利用可能な実験を再検討し、拡張する。 標準的な非バイアスの学習 to ランク技術は、クリック予測を堅牢に改善するが、ランク付け性能を一貫して改善するのに苦労している。
  論文  参考訳（メタデータ） (2024-04-03T08:00:46Z)
• Whole Page Unbiased Learning to Rank [59.52040055543542]
  アンバイアスド・ラーニング・トゥ・ランク(ULTR)アルゴリズムは、バイアスド・クリックデータを用いたアンバイアスド・ランキングモデルを学ぶために提案される。 本稿では,BALというアルゴリズムをランク付けするバイアス非依存学習を提案する。 実世界のデータセットによる実験結果から,BALの有効性が検証された。
  論文  参考訳（メタデータ） (2022-10-19T16:53:08Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• A Large Scale Search Dataset for Unbiased Learning to Rank [51.97967284268577]
  我々は、非バイアス学習のためのBaidu-ULTRデータセットをランク付けする。 ランダムに12億の検索セッションと7,008のエキスパートアノテートクエリをサンプリングする。 1)本来のセマンティックな特徴と,使用が容易な事前学習言語モデル,(2)位置,表示高さ,抽象表現などの十分な表示情報,(3)居住時間のような検索結果ページ(SERP)に対するリッチなユーザフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-07-07T02:37:25Z)
• Scalar is Not Enough: Vectorization-based Unbiased Learning to Rank [29.934700345584726]
  ランク付けのバイアスのない学習は、バイアスのあるユーザのクリックログからバイアスのないランク付けモデルをトレーニングすることを目的としている。 現在のULTR法のほとんどは、クリック確率を2つのスカラー関数に分解できると仮定する試験仮説(EH)に基づいている。 ベクトルベースのEHを提案し、クリック確率を2つのベクトル関数のドット積として定式化する。
  論文  参考訳（メタデータ） (2022-06-03T17:23:25Z)
• 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)
• Doubly-Robust Estimation for Unbiased Learning-to-Rank from Position-Biased Click Feedback [13.579420996461439]
  IPS推定の代わりにランク毎の待遇を期待する新しいDR推定器を提案する。 我々の結果は、最適な性能で収束するためには、桁違いに少ないデータポイントを必要とすることを示唆している。
  論文  参考訳（メタデータ） (2022-03-31T15:38:25Z)
• Handling Position Bias for Unbiased Learning to Rank in Hotels Search [0.951828574518325]
  本稿では,Tripadvisor Hotelsサーチにおけるオンラインテスト環境における位置バイアスを適切に扱うことの重要性について検討する。 本稿では,ユーザの行動データを完全に活用する位置バイアスを経験的に効果的に処理する方法を提案する。 オンラインA/Bテストの結果,この手法が検索ランキングモデルの改善につながることが示された。
  論文  参考訳（メタデータ） (2020-02-28T03:48:42Z)

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。