位置偏置
位置偏置的影响.png
方法1：把位置信息作为一个特征
image.png
该方法把位置信息作为特征。在离线训练时，输入特征是特征向量和位置信息的拼接[x,pos]，而在线上推断时，我们无法获取实时的位置信息，那么此时的做法有两种：
第一种做法就是一种暴力探索的方法，首先固定位置为1，然后计算所有广告相应的点击率，将点击率最高的一个广告放在第一个位置，接下来在固定位置为2，计算剩余广告相应的点击率，将点击率最高的广告放在第二个位置，依次类推。这样的做法显然是不可取的，主要是计算复杂度太高，线上性能无法保证。
第二种做法是当前工业界最为常见的做法，即固定为某一个位置，计算每个广告在该位置下的点击率，从而进行排序。但是，位置不同，所得到的推荐结果也相差很大，所以我们需要找到一个合适的位置，来得到最好的线上效果。此时往往需要通过线下评估的方式，即通过不同位置在相同测试集上的表现，来决定线上使用哪个位置。显然这种做法泛化性也是无法得到保证的。而且一般只能取次优解。
方法2：位置信息作为模块
image.png
通过一个shallow tower（可理解为比较轻量的模型）来预测位置偏置信息，输入的特征主要是一些和位置偏置相关的特征。在sigmoid前，将shallow tower的输出结果加入进去。而在预测阶段，则不考虑shallow tower的结果。
方法3：PAL框架
Position-bias Aware Learning framework (PAL) 基于如下的假设，即用户点击广告的概率由两部分组成：广告被用户看到的概率和用户看到广告后，点击广告的概率。
image.png
该假设可进一步进行化简，首先，用户是否看到广告只跟广告的位置有关系（去掉看不看到广告里面的广告因子x）；其次，用户看到广告后，是否点击广告与广告的位置无关（去掉看到后的位置pos）。此时公式可写作：
image.png
左边训练p(seen|pos)右边训练p(y=1|x,seen).png
可以看到，两个模块是联合进行训练的，如果分开进行优化，两个模块的训练目标不同，可能导致整个的系统是次优化的。
ProbSeen：预估广告被用户看到的概率
pCTR：用户看到广告后，点击广告的概率
损失函数采用交叉熵损失：
image.png
通过SGD算ProbSeen（简称ps）和pCTR
image.png
网友评论