論文の概要: Correcting for Position Bias in Learning to Rank: A Control Function Approach

• arxiv url: http://arxiv.org/abs/2506.06989v1
• Date: Sun, 08 Jun 2025 04:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.604232
• Title: Correcting for Position Bias in Learning to Rank: A Control Function Approach
• Title（参考訳）: ランク付け学習における位置バイアスの補正:制御関数アプローチ
• Authors: Md Aminul Islam, Kathryn Vasilaky, Elena Zheleva,
• Abstract要約: 本稿では,2段階プロセスにおける位置バイアスを考慮した制御関数に基づく新しい手法を提案する。 従来の位置偏差補正法とは異なり、この手法はクリックや確率モデルに関する知識を必要としない。 提案手法は位置バイアスの補正における最先端手法よりも優れていることを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 9.986244291715762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit feedback data, such as user clicks, is commonly used in learning-to-rank (LTR) systems because it is easy to collect and it often reflects user preferences. However, this data is prone to various biases, and training an LTR system directly on biased data can result in suboptimal ranking performance. One of the most prominent and well-studied biases in implicit feedback data is position bias, which occurs because users are more likely to interact with higher-ranked documents regardless of their true relevance. In this paper, we propose a novel control function-based method that accounts for position bias in a two-stage process. The first stage uses exogenous variation from the residuals of the ranking process to correct for position bias in the second stage click equation. Unlike previous position bias correction methods, our method does not require knowledge of the click or propensity model and allows for nonlinearity in the underlying ranking model. Moreover, our method is general and allows for debiasing any state-of-the-art ranking algorithm by plugging it into the second stage. We also introduce a technique to debias validation clicks for hyperparameter tuning to select the optimal model in the absence of unbiased validation data. Experimental results demonstrate that our method outperforms state-of-the-art approaches in correcting for position bias.
• Abstract（参考訳）: ユーザクリックのような暗黙的なフィードバックデータは、簡単に収集でき、しばしばユーザの好みを反映するため、LTR(Learning-to-rank)システムで一般的に使用される。 しかし、このデータには様々なバイアスが伴う傾向があり、バイアスデータに直接LTRシステムのトレーニングを行うと、最適以下のランキング性能が得られる。 暗黙のフィードバックデータにおいて最も顕著でよく研究されているバイアスの1つは位置バイアスである。 本稿では,2段階プロセスにおける位置バイアスを考慮した制御関数に基づく新しい手法を提案する。 第1段階は、ランク付け過程の残差から外因性の変化を利用して、第2段階クリック方程式における位置バイアスを補正する。 従来の位置バイアス補正法とは異なり、この手法はクリックや確率モデルに関する知識を必要とせず、基礎となるランキングモデルに非線形性を持たせることができる。 さらに,本手法は汎用的であり,第2段階に差し込むことで,最先端のランキングアルゴリズムをデバイアスすることができる。 また、ハイパーパラメータチューニングのためのバリデーションクリックをデバイアス化する手法を導入し、バイアスのないバリデーションデータがない場合に最適なモデルを選択する。 提案手法は位置バイアスの補正における最先端手法よりも優れていることを示す実験結果を得た。

関連論文リスト

• ALBAR: Adversarial Learning approach to mitigate Biases in Action Recognition [52.537021302246664]
  行動認識モデルは、しばしば背景バイアス(背景の手がかりに基づく行動の推測)と前景バイアス(主題の外観に依存する)に悩まされる。 本稿では,前景や背景のバイアスを,バイアス特性の専門知識を必要とせずに軽減する,新たな対人訓練手法であるALBARを提案する。 我々は,提案手法を確立された背景と前景のバイアスプロトコル上で評価し,新しい最先端のバイアスプロトコルを設定し,HMDB51では12%以上のデバイアス性能を向上した。
  論文  参考訳（メタデータ） (2025-01-31T20:47:06Z)
• Mitigate Position Bias with Coupled Ranking Bias on CTR Prediction [40.9668016608627]
  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。
  論文  参考訳（メタデータ） (2024-05-29T10:31:53Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• 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)
• 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)
• AutoDebias: Learning to Debias for Recommendation [43.84313723394282]
  今回提案するtextitAotoDebiasは、他の(小さな)均一なデータセットを利用してデバイアスパラメータを最適化する。 我々は、AutoDebiasの一般化を導き、適切なデバイアス戦略を得る能力を証明する。
  論文  参考訳（メタデータ） (2021-05-10T08:03:48Z)
• 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)
• 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。