公开(公告)号：CN112612951A

公开(公告)日：2021-04-06

申请号：CN202011491942.6

申请日：2020-12-17

Applicant: 上海交通大学

Inventor： 张伟楠 ,  戴心仪 ,  侯嘉伟 ,  西云佳 ,  俞勇

IPC: G06F16/9535 ,  G06N20/00

Abstract: 本发明公开了一种面向收益提升的无偏学习排序方法，基于有偏的用户点击日志数据，直接优化一个无偏的效益指标。首先学习了一个位置敏感的点击率预估模型，建模不同特征的查询‑文档对在不同位置下的点击率，得到的用户效益的无偏估计，基于lambdaloss的学习框架提出了一个基于lambdaloss的目标函数来直接优化用户效益的无偏估计，通过学习一个打分函数可以将测试阶段的复杂度降低到O(N)。理论分析证明该目标函数可以优化目标效益的一个有效上界。本发明在三个公开数据集上都证明了该方法的有效性，可以被用于列表推荐，网页搜索，广告系统等场景。

公开(公告)号：CN112612951B

公开(公告)日：2022-07-01

申请号：CN202011491942.6

申请日：2020-12-17

Applicant: 上海交通大学

Inventor： 张伟楠 ,  戴心仪 ,  侯嘉伟 ,  西云佳 ,  俞勇

IPC: G06F16/9535 ,  G06N20/00

Abstract: 本发明公开了一种面向收益提升的无偏学习排序方法，基于有偏的用户点击日志数据，直接优化一个无偏的效益指标。首先学习了一个位置敏感的点击率预估模型，建模不同特征的查询‑文档对在不同位置下的点击率，得到的用户效益的无偏估计，基于lambdaloss的学习框架提出了一个基于lambdaloss的目标函数来直接优化用户效益的无偏估计，通过学习一个打分函数可以将测试阶段的复杂度降低到O(N)。理论分析证明该目标函数可以优化目标效益的一个有效上界。本发明在三个公开数据集上都证明了该方法的有效性，可以被用于列表推荐，网页搜索，广告系统等场景。