CN116701950A - 一种推荐系统用点击率预测模型去偏方法、装置及介质 - Google Patents
一种推荐系统用点击率预测模型去偏方法、装置及介质 Download PDFInfo
- Publication number
- CN116701950A CN116701950A CN202310994293.9A CN202310994293A CN116701950A CN 116701950 A CN116701950 A CN 116701950A CN 202310994293 A CN202310994293 A CN 202310994293A CN 116701950 A CN116701950 A CN 116701950A
- Authority
- CN
- China
- Prior art keywords
- order
- recommendation
- model
- prediction model
- click rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000028161 membrane depolarization Effects 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 18
- 239000013585 weight reducing agent Substances 0.000 claims abstract description 17
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 230000002999 depolarising effect Effects 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种推荐系统用点击率预测模型去偏方法、装置及介质，该去偏方法包括点击率预测模型的偏差生成过程及根本原因分析步骤、用于提升物品侧公平性的一阶权重缩减操作步骤或用于提升无偏测试准确率的一阶权重重构操作步骤，一阶权重缩减操作通过切断正样本比例不均匀分布对模型预测的影响路径，对抗特征层面偏差，一阶权重重构操作通过少量随机曝光的交互数据构造点击率预测模型中的一阶权重，将模型推荐结果与用户真实兴趣靠拢，达到在牺牲极少准确率的前提下，大幅提升有偏测试的物品侧公平性、无偏测试推荐准确率的效果。
Description
技术领域
本发明涉及机器学习和数据挖掘领域，尤其涉及一种推荐系统用点击率预测模型去偏方法、装置及介质。
背景技术
近年来，推荐系统被广泛地应用于电商与短视频等平台中。作为其中最重要的环节之一，点击率预测任务利用丰富的特征信息对候选物品进行排序，起到了个性化推荐的作用。目前的推荐场景下，推荐系统所收集的用户数据普遍存在偏差，而点击率预测模型往往会捕捉并扩大这种偏差，进而造成用户侧信息茧房、物品及商家侧不公平等危害。为了互联网平台的长期利益与可持续发展，除了提升点击率转化率以外，如何减轻推荐系统偏差、提升公平性正日渐成为重要的目标之一。
部分研究尝试调整点击率预测模型的训练方式，如将公平性指标纳入损失函数或进行对抗训练等。尽管这些方法能有效减轻模型偏差、提升推荐结果的公平性，但是它们忽略了造成模型偏差的根本原因，从而无法解释其方法为何有效。这对于建立可信任的推荐系统，规范模型治理等方面造成了困难。
为了快速有效地对点击率预测模型进行去偏，我们创新设计出从训练数据到模型输出的偏差生成的路径，并基于模型偏差的根本原因，提出了快速有效的去偏方法，方法是以训练好的点击率模型为基础，通过调整模型线性部分权重，在不对模型整体结构进行修改的前提下，完成精确、高效地进行推荐系统去偏目的。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种推荐系统用点击率预测模型去偏方法、装置及介质，达到在牺牲极少准确率的前提下，大幅提升有偏测试的物品侧公平性、无偏测试推荐准确率的效果。
本发明为达到上述发明目的，采用如下技术方案：
第一方面，本发明提供了一种推荐系统用点击率预测模型去偏方法，该去偏方法包括点击率预测模型的偏差生成过程及根本原因分析步骤、用于提升物品侧公平性的一阶权重缩减操作步骤或用于提升无偏测试准确率的一阶权重重构操作步骤，其中：
所述点击率预测模型的偏差生成过程及根本原因分析步骤，是通过逐个阻断模型的不同结构部分，确定模型线性部分对特征级偏差的关键贡献，然后对线性部分中一阶权重的学习过程进行理论分析，分析得出物品组间不平衡的正样本率与特征层面偏差之间存在较强相关性；
所述一阶权重缩减操作步骤，是通过切断正样本比例不均匀分布对模型预测的影响路径，对抗特征层面偏差，牺牲极少推荐准确率以提升有偏测试的物品侧公平性；
所述一阶权重重构操作步骤，是通过少量随机曝光的交互数据构造点击率预测模型中的一阶权重，将模型推荐结果与用户真实兴趣靠拢，以提升无偏测试物品推荐准确率。
更进一步地，所述点击率预测模型的偏差生成过程及根本原因分析步骤具体包括以下过程：
（1）点击率预测模型在数据集下进行训练过程中，训练集中不同种类物品的正样本率分布不平衡，得出造成点击率预测模型产生偏差的根本原因；
（2）对于点击率预测模型FM或NFM的预测分数，表达为：，其中/>表示第j个特征的一阶线性权重，/>表示模型的全局偏置，/>表示交互记录/>中含有第j个特征，/>则表示交互记录/>中含有第j个特征，/>表示高阶特征交互输出，式中不平衡的种类正样本率导致点击率预测模型中各种类对应的一阶线性权重差距较大，且权重与正样本率呈线性正相关关系；
（3）的取值影响最终的预测分数/>，最终造成预测分数/>与正样本率呈线性正相关关系；
（4）最终的预测分数影响到推荐结果，即正样本率较高的种类在最终推荐时易被多推。
更进一步地，所述一阶权重缩减操作步骤中，在有偏的推荐模型CTR训练后，通过调整权重以缓解特征层面偏差，并改变k个参数，其形式化表达为：，其中/>表示第j个特征理想中的一阶线性权重，且。
更进一步地，在训练完成的所述点击率预测模型FM或NFM相应一阶线性权重前，通过乘上缩减系数以生成新的一阶权重/>，表示为/>，其中1,…,k为待调整权重对应特征中的下标，将/>替代/>并用于所述推荐模型CTR中，以减轻有偏的线性权重对有偏的推荐模型CTR的影响。
更进一步地，所述缩减系数取默认值，即/>，同时预测分数/>的表达式中含有其它一阶线性权重以及用户建模高阶特征的高阶项(/>)，推荐模型CTR的推荐准确率牺牲极小。
更进一步地，所述一阶权重缩减操作步骤具体操作过程如下：
（1）移除有偏的正样本率：对正样本率、线性权重进行线性回归，并将通过回归估计得出的一阶权重减去以获得残差，表达为：/>，其中为线性回归估计得出的一阶权重，残差/>不再与训练数据的正样本率/>相关，即切断数据层面偏差的影响；
（2）估计理想的正样本率：使用少量随机曝光的交互数据求解出物品各种类在无偏环境下的正样本率/>，将所述残差/>与正样本率/>进行线性组合，以构造新的一阶线性权重/>，表达为：/>，其中为超参数。
更进一步地，利用所述随机曝光的交互数据寻找所述/>和/>的最优值，且从中估计k+2个值。
更进一步地，从所述推荐系统调选出前三个无偏与有偏环境的正样本率下降最多的种类，对于用户在有偏环境下正样本率大于1/4的种类，使用调整前的一阶线性权重进行推荐，否则使用调整后的一阶线性权重进行推荐。
第二方面，本发明提供了一种点击率预测模型去偏装置，包括存储器以及处理器，存储器存储有计算机可执行指令，处理器被配置为运行所述计算机可执行指令，所述计算机可执行指令被所述处理器运行时实现所述的推荐系统用点击率预测模型去偏方法。
第三方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现所述的推荐系统用点击率预测模型去偏方法。
与现有技术相比，本发明的有益效果在于：
1、本发明提出了点击率预测模型产生偏差的原因，并据此提供了针对线性权重高效去偏的框架，包括用于提升物品侧公平性的一阶权重缩减操作步骤或用于提升无偏测试准确率的一阶权重重构操作步骤，实验分析和统计分析也表明，物品组间不平衡的正样本率与特征层面偏差之间存在很强的相关性。在不改变模型结构和训练方式的情况下，对极少数模型权重进行针对性的微调，使得去偏成本大幅降低，可控性强，模型的公平性以及在无偏测试上的准确率较原始模型相比有明显提升。
2、本发明提出的一阶权重缩减操作是从产生偏差问题根源出发，通过切断正样本比例不均匀分布对模型预测的影响路径，对抗特征层面偏差，极大地提升有偏测试的物品侧公平性；同时由于其它一阶权重以及用户建模高阶特征的高阶项()的存在，模型推荐准确率的牺牲极小，与原有模型相当。
3、本发明提出的一阶权重重构操作是通过少量随机曝光的交互数据构造点击率，预测模型中的一阶线性权重，将模型推荐结果与用户真实兴趣靠拢，以减轻有偏的线性权重对有偏的推荐模型的影响，从而提升无偏测试物品推荐准确率。
附图说明
图1为实施例1中点击率预测模型偏差生成过程示意图。
具体实施方式
实施例1：
本实施例公开了一种推荐系统用点击率预测模型去偏方法，该去偏方法包括点击率预测模型的偏差生成过程及根本原因分析步骤、用于提升物品侧公平性的一阶权重缩减操作步骤或用于提升无偏测试准确率的一阶权重重构操作步骤，其中：点击率预测模型的偏差生成过程及根本原因分析步骤，是通过逐个阻断模型的不同结构部分，确定模型线性部分对特征级偏差的关键贡献，然后对线性部分中一阶权重的学习过程进行理论分析，分析得出物品组间不平衡的正样本率与特征层面偏差之间存在较强相关性；一阶权重缩减操作步骤，是通过切断正样本比例不均匀分布对模型预测的影响路径，对抗特征层面偏差，牺牲极少推荐准确率以提升有偏测试的物品侧公平性；在真实的推荐场景中，平台收集的数据与用户真实偏好之间往往存在较大差距，而推荐模型会捕捉训练数据中的偏差，从而使推荐结果与用户真实偏好进一步加大。一阶权重重构操作步骤是通过少量随机曝光的交互数据构造点击率预测模型中的一阶权重，将模型推荐结果与用户真实兴趣靠拢，以提升无偏测试物品推荐准确率。
本实施例中，点击率预测模型的偏差生成过程及根本原因分析步骤具体包括以下过程：
（1）参见图1中的(a)部分，点击率预测模型在数据集下进行训练过程中，训练集中不同种类物品的正样本率分布不平衡，得出造成点击率预测模型产生偏差的根本原因；
（2）参见图1中的(b)部分，图中PS表示一阶线性权重和正样本率的皮尔逊相关系数。对于点击率预测模型FM或NFM的预测分数，表达为：，其中/>表示第j个特征的一阶线性权重，/>表示模型的全局偏置，/>表示交互记录/>中含有第j个特征，/>则表示交互记录/>中含有第j个特征，/>表示高阶特征交互输出，式中不平衡的种类正样本率导致点击率预测模型中各种类对应的一阶线性权重差距较大，且权重与正样本率呈线性正相关关系；
（3）参见图1中的(c)部分，图中PS表示正/负样本平均预测分数和正样本率的皮尔逊相关系数。的取值影响最终的预测分数/>，最终造成预测分数/>与正样本率呈线性正相关关系；
（4）参见图1中的(d)部分，图中SP表示推荐比例和正样本率间的斯皮尔曼相关系数，SP值以及p-value均表明两者有明显的正相关关系。最终的预测分数影响到推荐结果，即正样本率较高的种类在最终推荐时易被多推。
在一阶权重缩减操作步骤中，由于偏差特征域对应的一阶线性权重（）很大程度上解释了推荐模型CTR的有偏差的预测，在有偏的推荐模型CTR训练后，通过调整权重以缓解特征层面偏差，并改变k个参数，其形式化表达为：，其中/>表示第j个特征理想中的一阶线性权重，且。在训练完成的所述点击率预测模型FM或NFM相应一阶线性权重前，通过乘上缩减系数/>以生成新的一阶权重/>，表示为/>，其中1,…,k为待调整权重对应特征中的下标，将/>替代/>并用于推荐模型CTR中，以减轻有偏的线性权重对有偏的推荐模型CTR的影响。缩减系数/>取默认值，即/>，同时预测分数/>的表达式中含有其它一阶线性权重以及用户建模高阶特征的高阶项(/>)，推荐模型CTR的推荐准确率牺牲极小。
其中，一阶权重缩减操作步骤的具体操作过程如下：
（1）移除有偏的正样本率：对正样本率、线性权重进行线性回归，并将通过回归估计得出的一阶权重减去以获得残差，表达为：/>，其中为线性回归估计得出的一阶权重，残差/>不再与训练数据的正样本率/>相关，即切断数据层面偏差的影响；
（2）估计理想的正样本率：使用少量随机曝光的交互数据求解出物品各种类在无偏环境下的正样本率/>，将所述残差/>与正样本率/>进行线性组合，以构造新的一阶线性权重/>，表达为：/>，其中为超参数。利用所述随机曝光的交互数据/>寻找所述/>和/>的最优值，且从/>中估计k+2个值。从推荐系统调选出前三个无偏与有偏环境的正样本率下降最多的种类，对于用户在有偏环境下正样本率大于1/4的种类，使用调整前的一阶线性权重进行推荐，否则使用调整后的一阶线性权重进行推荐。
为了验证实施例1公开的点击率预测模型去偏方法的结论有效，以常用的点击率预测模型FM和NFM作为基础模型，选取两个公开数据集ML-1M、KuaiRand进行实验，并以DecRS和FairGo作为对比方法。按照时间顺序将两个数据集ML-1M、KuaiRand划分为训练集、验证集和测试集。在数据集ML-1M与KuaiRand的有偏测试集上测试模型一阶权重缩减操作的有效性，以REO@5为公平性指标（REO值越低表明物品间越公平），以UAUC和NDCG@5作为准确率指标。此外，在数据集KuaiRand的无偏测试集上测试模型一阶权重重构操作的有效性，以UAUC和NDCG@5作为度量。其中，有偏测试和无偏测试的结果分别如表1、表2、表3所示：
表1 不同方法在两个数据集的有偏测试上性能比较结果（以FM为基本模型）
表2 不同方法在两个数据集的有偏测试上性能比较结果（以NFM为基本模型）
表3 不同方法在KuaiRand无偏测试上性能比较结果
从表1、表2中记录的结果可以发现，在两种不同类型的数据集以及两种基本点击率预测模型上，该点击率预测模型去偏方法在推荐指标仅仅小幅下降（<2%）的情况下，大幅提升物品侧公平性（24.23%-47.00%），并且对公平性的提升大于所有其它方法。从表3中记录的结果可以发现，该点击率预测模型去偏方法在无偏测试下两种推荐准确率指标均能超过其它方法，与基本模型相比有着大幅提升（5.41%-8.21%），说明该方法能有效地捕捉用户的真实兴趣。以上实验结果验证了本发明提出的模型一阶权重缩减/重构操作的有效性，针对不同推荐场景和需求均能在原有点击率预测模型基础上快速调整，实现更有效的推荐。
实施例2：
本实施例公开了一种点击率预测模型去偏装置，包括存储器以及处理器，存储器存储有计算机可执行指令，处理器被配置为运行计算机可执行指令，计算机可执行指令被处理器运行时实现本实施例1公开的推荐系统用点击率预测模型去偏方法。
实施例3：
本实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时实现本实施例1公开的推荐系统用点击率预测模型去偏方法。
Claims (10)
1.一种推荐系统用点击率预测模型去偏方法，其特征是，该去偏方法包括点击率预测模型的偏差生成过程及根本原因分析步骤、用于提升物品侧公平性的一阶权重缩减操作步骤或用于提升无偏测试准确率的一阶权重重构操作步骤，其中：
所述点击率预测模型的偏差生成过程及根本原因分析步骤，是通过逐个阻断模型的不同结构部分，确定模型线性部分对特征级偏差的关键贡献，然后对线性部分中一阶权重的学习过程进行理论分析，分析得出物品组间不平衡的正样本率与特征层面偏差之间存在较强相关性；
所述一阶权重缩减操作步骤，是通过切断正样本比例不均匀分布对模型预测的影响路径，对抗特征层面偏差，牺牲极少推荐准确率以提升有偏测试的物品侧公平性；
所述一阶权重重构操作步骤，是通过少量随机曝光的交互数据构造点击率预测模型中的一阶权重，将模型推荐结果与用户真实兴趣靠拢，以提升无偏测试物品推荐准确率。
2.根据权利要求1所述的推荐系统用点击率预测模型去偏方法，其特征是，所述点击率预测模型的偏差生成过程及根本原因分析步骤具体包括以下过程：
（1）点击率预测模型在数据集下进行训练过程中，训练集中不同种类物品的正样本率分布不平衡，得出造成点击率预测模型产生偏差的根本原因；
（2）对于点击率预测模型FM或NFM的预测分数，表达为：，其中/>表示第j个特征的一阶线性权重，/>表示模型的全局偏置，/>表示交互记录/>中含有第j个特征，/>则表示交互记录/>中含有第j个特征，/>表示高阶特征交互输出，式中不平衡的种类正样本率导致点击率预测模型中各种类对应的一阶线性权重差距较大，且权重与正样本率呈线性正相关关系；
（3）的取值影响最终的预测分数/>，最终造成预测分数/>与正样本率呈线性正相关关系；
（4）最终的预测分数影响到推荐结果，即正样本率较高的种类在最终推荐时易被多推。
3.根据权利要求1所述的推荐系统用点击率预测模型去偏方法，其特征是，所述一阶权重缩减操作步骤中，在有偏的推荐模型CTR训练后，通过调整权重以缓解特征层面偏差，并改变k个参数，其形式化表达为：，其中/>表示第j个特征理想中的一阶线性权重，且/>。
4.根据权利要求3所述的推荐系统用点击率预测模型去偏方法，其特征是，在训练完成的所述点击率预测模型FM或NFM相应一阶线性权重前，通过乘上缩减系数以生成新的一阶权重/>，表示为/>，其中1,…,k为待调整权重对应特征中的下标，将/>替代/>并用于所述推荐模型CTR中，以减轻有偏的线性权重对有偏的推荐模型CTR的影响。
5.根据权利要求4所述的推荐系统用点击率预测模型去偏方法，其特征是，所述缩减系数取默认值，即/>，同时预测分数/>的表达式中含有其它一阶线性权重以及用户建模高阶特征的高阶项(/>)，推荐模型CTR的推荐准确率牺牲极小。
6.根据权利要求1所述的推荐系统用点击率预测模型去偏方法，其特征是，所述一阶权重缩减操作步骤具体操作过程如下：
（1）移除有偏的正样本率：对正样本率、线性权重进行线性回归，并将通过回归估计得出的一阶权重减去以获得残差，表达为：/>，其中/>为线性回归估计得出的一阶权重，残差/>不再与训练数据的正样本率/>相关，即切断数据层面偏差的影响；
（2）估计理想的正样本率：使用少量随机曝光的交互数据求解出物品各种类在无偏环境下的正样本率/>，将所述残差/>与正样本率/>进行线性组合，以构造新的一阶线性权重/>，表达为：/>，其中为超参数。
7.根据权利要求6所述的推荐系统用点击率预测模型去偏方法，其特征是，利用所述随机曝光的交互数据寻找所述/>和/>的最优值，且从/>中估计k+2个值。
8.根据权利要求1所述的基于推荐系统用点击率预测模型去偏方法，其特征是，从所述推荐系统调选出前三个无偏与有偏环境的正样本率下降最多的种类，对于用户在有偏环境下正样本率大于1/4的种类，使用调整前的一阶线性权重进行推荐，否则使用调整后的一阶线性权重进行推荐。
9.一种点击率预测模型去偏装置，包括存储器以及处理器，存储器存储有计算机可执行指令，处理器被配置为运行所述计算机可执行指令，其特征在于，所述计算机可执行指令被所述处理器运行时实现权利要求1～8任一项所述的推荐系统用点击率预测模型去偏方法。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时实现权利要求1～8任一项所述的推荐系统用点击率预测模型去偏方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310994293.9A CN116701950B (zh) | 2023-08-09 | 2023-08-09 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310994293.9A CN116701950B (zh) | 2023-08-09 | 2023-08-09 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701950A true CN116701950A (zh) | 2023-09-05 |
| CN116701950B CN116701950B (zh) | 2024-01-05 |
Family
ID=87829772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310994293.9A Active CN116701950B (zh) | 2023-08-09 | 2023-08-09 | 一种推荐系统用点击率预测模型去偏方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701950B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290691A (zh) * | 2023-11-21 | 2023-12-26 | 数据空间研究院 | 一种基于去偏推荐模型的无偏Top-K测评方法、装置及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038720A (zh) * | 2017-12-06 | 2018-05-15 | 电子科技大学 | 一种基于因子分解机的广告点击率预测方法 |
| CN111339433A (zh) * | 2020-05-21 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 基于人工智能的信息推荐方法、装置、电子设备 |
| CN112148919A (zh) * | 2020-09-30 | 2020-12-29 | 哈尔滨理工大学 | 一种基于梯度提升树算法的音乐点击率预测方法及装置 |
| US20220245213A1 (en) * | 2020-04-07 | 2022-08-04 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, electronic device, and storage medium |
| WO2023000491A1 (zh) * | 2021-07-19 | 2023-01-26 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-08-09 CN CN202310994293.9A patent/CN116701950B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038720A (zh) * | 2017-12-06 | 2018-05-15 | 电子科技大学 | 一种基于因子分解机的广告点击率预测方法 |
| US20220245213A1 (en) * | 2020-04-07 | 2022-08-04 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, electronic device, and storage medium |
| CN111339433A (zh) * | 2020-05-21 | 2020-06-26 | 腾讯科技（深圳）有限公司 | 基于人工智能的信息推荐方法、装置、电子设备 |
| CN112148919A (zh) * | 2020-09-30 | 2020-12-29 | 哈尔滨理工大学 | 一种基于梯度提升树算法的音乐点击率预测方法及装置 |
| WO2023000491A1 (zh) * | 2021-07-19 | 2023-01-26 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| LI ZHANG 等: "Field-Aware Neural Factorization Machine for Click-Through Rate Prediction", IEEE, pages 1 - 9 * |
| SIHAO DING 等: "Interpolative Distillation for Unifying Biased and Debiased Recommendation", ACM, pages 1 - 10 * |
| 蒋胜: "基于因子分解机的智能推荐算法研究", 硕士电子期刊, pages 3 - 5 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290691A (zh) * | 2023-11-21 | 2023-12-26 | 数据空间研究院 | 一种基于去偏推荐模型的无偏Top-K测评方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701950B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | An effective web service recommendation method based on personalized collaborative filtering | |
| JP5418408B2 (ja) | シミュレーションパラメータ校正方法、装置及びプログラム | |
| KR20180041174A (ko) | 위험 평가 방법 및 시스템 | |
| CN116701950B (zh) | 一种推荐系统用点击率预测模型去偏方法、装置及介质 | |
| Maricau et al. | Efficient variability-aware NBTI and hot carrier circuit reliability analysis | |
| CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
| WO2020135642A1 (zh) | 一种基于生成对抗网络的模型训练方法及设备 | |
| CN105260171A (zh) | 一种虚拟道具的生成方法及装置 | |
| Burklen et al. | User centric walk: An integrated approach for modeling the browsing behavior of users on the web | |
| Verma et al. | Improving scalability of personalized recommendation systems for enterprise knowledge workers | |
| CN116562992A (zh) | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 | |
| Chen et al. | A ranking-oriented hybrid approach to QoS-aware web service recommendation | |
| CN110377525B (zh) | 一种基于运行时特征和机器学习的并行程序性能预测系统 | |
| JP5118707B2 (ja) | 検索ログ悪用防止方法及び装置 | |
| CN111191707B (zh) | 融合时间衰减因子的lfm训练样本构建方法 | |
| CN110083534B (zh) | 一种基于约减最短路径胎记的软件抄袭检测方法 | |
| CN112950279A (zh) | 基于机器学习的精准营销策略模型构建方法及装置 | |
| CN112115359A (zh) | 一种基于多阶近邻预测的推荐系统及方法 | |
| CN107832203B (zh) | 一种移动终端渲染性能诊断方法 | |
| Dube et al. | Runtime Prediction of Machine Learning Algorithms in Automl Systems | |
| Chen et al. | Neural Moderation of ASMR Erotica Content in Social Networks | |
| Kósa et al. | Betweenness versus linerank | |
| Chen et al. | Adapting ranking functions to user preference | |
| Borges et al. | Mining users' web navigation patterns and predicting their next step | |
| CN111953969B (zh) | 视频质量评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |