位置偏差是信息检索中处理隐式但有偏差的用户反馈数据的关键问题。无偏排序方法通常依赖于因果关系模型,并通过反倾向加权消除用户反馈的偏差。这些方法虽然实用,但仍存在两个主要问题。首先,在推断用户单击时,上下文信息(如已检查的文档)的影响常常被忽略。第二,只考虑了位置偏差,忽略了用户浏览行为引起的其他问题。在本文中,我们提出了一个端到端的深度递归生存排序(DRSR),一个统一的框架来联合建模用户的各种行为,以 (i)考虑排序列表中丰富的上下文信息; (ii)解决隐藏在用户行为背后的问题,即,在没有任何点击的查询中挖掘观察模式(非点击查询),对不能真实反映用户浏览意图的跟踪日志进行建模(不可信观察)。具体来说,我们采用递归神经网络来建模上下文信息,并估计用户在每个位置反馈的条件似然。然后,我们将生存分析技术与概率链式法则相结合,以数学方式恢复一个用户的各种行为的无偏联合概率。DRSR可以很容易地与点和成对的学习目标结合起来。对两个大型工业数据集的大量实验表明,我们的模型与最先进的技术相比,具有显著的性能增益。

成为VIP会员查看完整内容
20

相关内容

【反馈循环自编码器】FEEDBACK RECURRENT AUTOENCODER
专知会员服务
22+阅读 · 2020年1月28日
推荐系统(一):推荐系统基础
菜鸟的机器学习
25+阅读 · 2019年9月2日
初学者系列:Deep FM详解
专知
108+阅读 · 2019年8月26日
初学者系列:推荐系统Wide & Deep Learning详解
Github项目推荐 | RecQ - Python推荐系统框架
AI研习社
8+阅读 · 2019年1月23日
Python推荐系统框架:RecQ
专知
12+阅读 · 2019年1月21日
卷积神经网络(CNN)融合PMF模型构建推荐系统
数据挖掘入门与实战
7+阅读 · 2018年4月12日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
Arxiv
10+阅读 · 2019年2月19日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
Arxiv
12+阅读 · 2018年1月28日
Arxiv
25+阅读 · 2018年1月24日
Arxiv
5+阅读 · 2017年11月13日
VIP会员
相关VIP内容
【反馈循环自编码器】FEEDBACK RECURRENT AUTOENCODER
专知会员服务
22+阅读 · 2020年1月28日
相关资讯
推荐系统(一):推荐系统基础
菜鸟的机器学习
25+阅读 · 2019年9月2日
初学者系列:Deep FM详解
专知
108+阅读 · 2019年8月26日
初学者系列:推荐系统Wide & Deep Learning详解
Github项目推荐 | RecQ - Python推荐系统框架
AI研习社
8+阅读 · 2019年1月23日
Python推荐系统框架:RecQ
专知
12+阅读 · 2019年1月21日
卷积神经网络(CNN)融合PMF模型构建推荐系统
数据挖掘入门与实战
7+阅读 · 2018年4月12日
融合 MF 和 RNN 的电影推荐系统
PaperWeekly
7+阅读 · 2017年12月28日
相关论文
微信扫码咨询专知VIP会员