Algoritmo de Aprendizado Dual Contextual com Destilação Listwise para Aprendizado não tendencioso de Classificação

O Aprendizado não tendencioso de Classificação (ULTR) visa aproveitar o feedback implícito tendencioso dos usuários (por exemplo, cliques) para otimizar um modelo de classificação não tendencioso. A eficácia dos métodos ULTR existentes foi principalmente validada em conjuntos de dados sintéticos. No entanto, seu desempenho em dados reais de cliques permanece pouco claro. Recentemente, o Baidu lançou um grande conjunto de dados publicamente disponível de seus registros de pesquisa na web. Subsequentemente, a tarefa NTCIR-17 ULTRE-2 lançou um subconjunto de dados extraído dele. Conduzimos experimentos em métodos ULTR comumente utilizados ou eficazes nesse subconjunto para determinar se eles mantêm sua eficácia. Neste artigo, propomos um Algoritmo de Aprendizado Dual Contextual com Destilação Listwise (CDLA-LD) para abordar simultaneamente o viés de posição e o viés contextual. Utilizamos um modelo de classificação com entrada listwise para obter vetores de características reconstruídos incorporando informações contextuais locais e empregamos o método do Algoritmo de Aprendizado Dual (DLA) para treinar conjuntamente esse modelo de classificação e um modelo de propensão para abordar o viés de posição. À medida que esse modelo de classificação aprende as informações de interação dentro da lista de documentos do conjunto de treinamento, para melhorar a capacidade de generalização do modelo de classificação, também treinamos um modelo de classificação com entrada pontual para aprender a capacidade do modelo de classificação com entrada listwise para julgamento de relevância de maneira listwise. Extensos experimentos e análises confirmam a eficácia de nossa abordagem.