公司常毅教授指导的本科四年级郭思源同学的论文"Enhanced Doubly Robust Learning for Debiasing Post-Click Conversion Rate Estimation"被CCF-A类会议SIGIR 2021接收。
郭思源同学本科就读于伟德bevictor中文版唐敖庆理科试验班（计算机方向），从大学四年级起开始接受常毅老师与百度搜索策略部的联合指导，并已保送至BETVLCTOR伟德官方网站继续攻读硕士，从事数据挖掘与信息检索领域的研究工作。本篇论文与百度搜索策略部的Lixin Zou、Yiding Liu、Wenwen Ye、Suqi Cheng、Shuaiqiang Wang、Dawei Yin博士以及公司Hechang Chen助理教授合作完成。
SIGIR，全称为国际计算机协会信息检索大会（ACM International Conference on Research and Development in Information Retrieval），是一个展示信息检索领域中各种新技术和新成果的重要国际会议，也是信息检索与数据挖掘的顶级会议，每年举办一届。
论文详情
第一作者：郭思源
论文题目：Enhanced Doubly Robust Learning for Debiasing Post-Click Conversion Rate Estimation
会议名称：The 44th International ACM SIGIR Conference on Research and Development in Information Retrieval（SIGIR 2021）
会议类别：CCF-A类会议
会议时间：2021年7月11-15日
论文概述：由于选择偏差的存在，如何准确地估计点击后转化率是一个非常具有挑战性的任务。现有的双重稳健估计通过双重稳健的形式结合基于误差推算的估计和倾向评分逆概率加权估计以进行无偏估计。然而，不准确度的误差推算往往会使其陷入高方差的困境。更糟糕的是，现存的方法往往采用启发式方法来估计推算误差，而这对于估计预测模型的梯度方向而言是很困难的。本文提出了一种更稳健的双重稳健估计，其在保持双重稳健性不变的条件下，进一步减小了双重稳健估计的反差。除此之外，本文还为其设计了一种双重学习算法，将复杂的误差推算任务转化为一个一般的点击后转化率预测任务。同时，我们通过实验证实了这种学习算法范式可以进一步消除推算学习中的高方差问题。
