
Counterfactual learning to rank (CLTR) models aim to learn unbiased ranking models from biased user interaction data. This study investigates the robustness of existing CLTR models under various simulation settings, including different production rankers and user simulation models.


coremsg

investigating-the-robustness-of-counterfactual-learning-to-rank-models-a-reproducibility-study


Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study


title_rewrite


Counterfactual Learning-to-Rank-Modelle (CLTR) zeigen unterschiedliche Robustheit unter verschiedenen Simulationseinstellungen. Die DLA-Modelle und IPS-DCM sind robuster als IPS-PBM und PRS mit offline-Propensitätsschätzung, insbesondere wenn der Produktionsranker eine relativ hohe Rankingleistung oder Zufälligkeit aufweist.


untersuchung-der-robustheit-von-counterfactual-learning-to-rank-modellen-eine-reproduzierbarkeitsstudie


Untersuchung der Robustheit von Counterfactual Learning-to-Rank-Modellen: Eine Reproduzierbarkeitsstudie
