RS Meet DL(73)-[微软]通过对抗训练消除位置偏置信息

本文介绍的论文是：《Modeling and Simultaneously Removing Bias via Adversarial Neural Networks》

前面已经有几篇关于消除CTR预估中位置偏置信息的介绍，如华为的PAL、youtube的shallow tower、以及将位置信息作为输入特征的方法。但对于样本中可能存在的偏置信息，上述的方法都没有解决，而本文提出的对抗学习框架，不仅解决了一般的位置偏置，还能够消除样本特征中的偏置信息，一起来学习一下吧。

1、背景

对于搜索广告的排序，往往是基于对于广告点击率的预估以及广告主的出价（bid）来决定的。但是用于训练点击率预估模型的样本中，往往存在一定的偏置信息。

在训练点击率预估模型时，许多特征属于统计特征，比如搜索关键词和广告的交叉点击率。对于经常展示的关键词／广告对来说，这类特征比较丰富且置信，但是对于不经常展示或者从未展示过的关键词／广告对来说，这类信息非常稀疏且不置信，模型对这些关键词／广告的信息不能充分学习，很难将这些关键词／广告对的展示位置进行提前。

同时，当CTR模型进行更新时，所使用的数据往往是在线上应用前一版模型而收集到的。新的数据和模型更容易学到这些展示位置靠前的关键词／广告对的信息，这种情形文中称为“Feedback Loop”，此时我们的训练所使用的数据，是存在一定偏置信息的。

这种偏置信息的存在，