Conformal@K：具有重叠群组与两阶段保证的推荐系统无分布Top-K误风险控制方法

《ACM Transactions on Information Systems》：Conformal@K: Distribution-Free Top-K Miss-Risk Control for Recommendation with Overlapping-Group and Two-Stage Guarantees

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

我们提出了Conformal@K，这是一种与模型无关的校准层，能够在两阶段推荐和检索过程中实现无需分布假设的有限样本控制，以降低Top-$K$遗漏风险。对于任意的检索和重排序评分函数，Conformal@K会选择单调预算，使得在层级$1?\alpha$时，返回的Top-$K$中不会出现相关项的概率能够得到控制；如果不存在可行的参数，则会进入透明式最佳努力模式，并提供可操作的诊断信息来说明剩余差距。除了基本的有效性之外，我们还通过平滑化的自归一化估计引入了重叠组保证，实现了对检索遗漏和最终miss@K的双重两阶段校准，同时针对协变量变化和时间依赖性提供了加权及窗口化变体。在MSLR-WEB10K数据集上的实验表明，Conformal@K能够在保持排名质量的同时，控制$\alpha$范围内的目标风险，并达成全局及分组目标。在带有显示上限的全面排名协议下的POI推荐任务（Gowalla、Foursquare）中，虽然$K_{max}=50$，较小的$\alpha$值可能无法实现，但我们的方法依然能够降低全局及最差组的遗漏风险，并提升HR@K指标，同时明确指出不可行的差距。我们将该方法与四种公平性基准进行了比较，结果表明Conformal@K与基于曝光公平性的方法目标互补，实际应用中可以结合使用。此外，该算法还具备考虑数据漂移的能力，其变体形式能够在数据变化情况下稳定控制遗漏风险。该算法可直接集成到现有系统中，且具备便于审计的诊断功能。

AI总结

AI生成的总结（实验性）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及让相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是论文的主要总结。完整文章才是最具权威性的版本。点击此处了解更多。

请点击此处，对这篇总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化未来的生成版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。