論文の概要: Addressing Personalized Bias for Unbiased Learning to Rank

• arxiv url: http://arxiv.org/abs/2508.20798v1
• Date: Thu, 28 Aug 2025 14:01:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.434268
• Title: Addressing Personalized Bias for Unbiased Learning to Rank
• Title（参考訳）: アンバイアスドラーニングのための個人化バイアスのランク付け
• Authors: Zechun Niu, Lang Mei, Liu Yang, Ziyuan Zhao, Qiang Yan, Jiaxin Mao, Ji-Rong Wen,
• Abstract要約: Unbiased Learning to rank (ULTR)は、バイアスのあるユーザの行動ログからバイアスのないランキングモデルを学ぶことを目的としている。 そこで本研究では,学習からランクへの目標値を求めるために,新しいユーザ認識逆確率スコア推定器を提案する。
• 参考スコア（独自算出の注目度）: 56.663619153713434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unbiased learning to rank (ULTR), which aims to learn unbiased ranking models from biased user behavior logs, plays an important role in Web search. Previous research on ULTR has studied a variety of biases in users' clicks, such as position bias, presentation bias, and outlier bias. However, existing work often assumes that the behavior logs are collected from an ``average'' user, neglecting the differences between different users in their search and browsing behaviors. In this paper, we introduce personalized factors into the ULTR framework, which we term the user-aware ULTR problem. Through a formal causal analysis of this problem, we demonstrate that existing user-oblivious methods are biased when different users have different preferences over queries and personalized propensities of examining documents. To address such a personalized bias, we propose a novel user-aware inverse-propensity-score estimator for learning-to-rank objectives. Specifically, our approach models the distribution of user browsing behaviors for each query and aggregates user-weighted examination probabilities to determine propensities. We theoretically prove that the user-aware estimator is unbiased under some mild assumptions and shows lower variance compared to the straightforward way of calculating a user-dependent propensity for each impression. Finally, we empirically verify the effectiveness of our user-aware estimator by conducting extensive experiments on two semi-synthetic datasets and a real-world dataset.
• Abstract（参考訳）: 偏りのないユーザの行動ログから、偏りのないランキングモデルを学習することを目的としたアンバイアスドラーニング to rank (ULTR) は、Web検索において重要な役割を果たす。 ULTRに関する以前の研究は、位置バイアス、プレゼンテーションバイアス、外れ値バイアスなど、ユーザのクリックにおけるさまざまなバイアスを研究してきた。 しかしながら、既存の作業では、振る舞いログは‘平均’ユーザから収集され、検索とブラウジングの動作における異なるユーザの違いを無視することが多い。 本稿では、ULTRフレームワークにパーソナライズされた要素を導入し、ユーザ認識ULTR問題(user-aware ULTR problem)と呼ぶ。 この問題の公式な因果解析を通じて、異なるユーザがクエリや文書のパーソナライズされたパーソナライズされた妥当性に対して異なる好みを持つ場合、既存のユーザ出版手法が偏りがあることを実証する。 このようなパーソナライズされたバイアスに対処するために、我々は、学習からランクへの目的のための、新しいユーザ認識逆確率スコア推定器を提案する。 具体的には,各クエリに対するユーザ閲覧行動の分布をモデル化し,ユーザ重み付き検査確率を集約して妥当性を判定する。 理論的には、ユーザ認識推定器は、いくつかの軽微な仮定の下では偏りがなく、各印象に対するユーザ依存の確率を計算する簡単な方法に比べて、分散度が低いことを証明している。 最後に,2つの半合成データセットと実世界のデータセットに対する広範な実験を行うことで,ユーザ認識推定の有効性を実証的に検証する。

関連論文リスト

• User-Assistant Bias in LLMs [11.825607435336776]
  大規模言語モデル(LLM)は、チャット履歴における自身の情報やユーザの情報への依存に偏りがあり、マルチターン会話において過度に頑固あるいは同意的な振る舞いをもたらす。 我々は,フロンティアLLMにおけるユーザ・アシスタントバイアスをベンチマークし,理解し,操作するために,8kのマルチターン会話データセットであるtextbfUserAssist$を導入している。
  論文  参考訳（メタデータ） (2025-08-16T20:33:09Z)
• Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance [74.43264459255121]
  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。
  論文  参考訳（メタデータ） (2025-02-17T03:55:51Z)
• 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)

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。