自归一化逆倾向评分 (SNIPS)

概述

SNIPS 是 IPS 的自归一化变体，通过用逆倾向权重总和进行归一化，显著降低估计方差，同时保持最优解不变，是因果推荐中的标准估计器。

关键内容

1. 核心公式：$\hat{R}{SNIPS}(\hat{Y}) = \frac{\sum{(u,i): O_{u,i}=1} \frac{\delta(\hat{y}{u,i}, y{u,i})}{P_{u,i}}}{\sum_{(u,i): O_{u,i}=1} \frac{1}{P_{u,i}}}$。分母为所有逆倾向权重之和，使归一化后权重总和为 1。

2. 来源：源自因果推断文献中的 Hajek 估计器，由 Tobias Schnabel 等人在 Recommendations as Treatments 中引入推荐系统领域。

3. 优势：

4. 显著降低方差：通过归一化避免极端权重（如 $1/0.001 = 1000$）的影响
5. 牺牲极小偏差：SNIPS 不再是严格无偏的，但引入的偏差通常可忽略
6. 保持最优解不变：用于学习时，SNIPS 不改变 argmax，最优模型参数不受归一化影响

7. 无需额外调参：不像倾向性裁剪（propensity clipping）需人工设定截断阈值

8. 与 IPS 的权衡：IPS 严格无偏但方差高，SNIPS 有微小偏差但方差显著更低。在实际推荐场景中，SNIPS 通常表现更稳定，尤其在各种偏差程度下都维持良好精度。

9. 药物临床类比：如果某类患者服药概率极低（0.001），一旦观察到这样的患者，其 IPS 权重高达 1000 倍，一个人的数据可能主导整个估计。SNIPS 通过归一化避免"一个极端样本搅动全局"的问题。

来源

• Recommendations as Treatments (Schnabel et al., ICML 2016)

相关

• 逆倾向评分 — SNIPS 的基础方法
• 倾向性评分 — 权重计算的核心输入
• 选择偏差 — SNIPS 旨在校正的问题