简介：点击转换是Web服务中一种重要的反馈形式，因为它直接有助于最终的收入，与模糊的点击相比，它可以准确地捕捉用户对物品的偏好。然而，由于点击和未点击数据之间的选择性偏差，在学习或评估推荐人时，直接使用点击转换可能会导致严重的偏差。在本研究中，我们解决了带有偏差点击转换的算法推荐的离线评估问题。解决这种偏差的一个可能的解决方案是使用逆倾向评分估计器，因为它可以提供一个在选择性偏差下的无偏评估。然而，众所周知，这种估计器会受到方差和不稳定性问题的影响，这在推荐设置中可能会很严重，因为反馈通常是高度稀疏的。为了解决之前无偏估计器的这些局限性，我们提出了一种双鲁棒估计器，用于估计给定推荐器真实排名性能。该估计器对真实排名无偏，改进了现有无偏估计器的方差和估计误差的尾界。最后，为了评估所提出的估计器的经验有效性，我们使用半合成和两个公开的真实数据集进行实证评估。结果表明，与现有的基线指标相比，提出的指标显示了更好的模型评估绩效，特别是在严重的选择偏差的情况下。

链接：https://usaito.github.io/files/RecSys2020_DRMetric.pdf
推荐理由：本文研究了推荐系统中带有选择性偏差下的策略评估问题，实现了更好的算法效果，具有参考价值。

内容中包含的图片若涉及版权问题，请及时与我们联系删除