Estimation des effets du traitement en présence d'interférence du prescripteur

Systèmes d'information et gestion des opérations

© HEC Paris Estimation des effets du traitement en présence d'interférence du prescripteur

Intervenant : Ruohan Zhan (UCL)

Salle Bernard Ramanantsoa

Résumé

Les systèmes de recommandation sont essentiels aux plateformes de partage de contenu, car ils permettent de proposer un contenu personnalisé. Afin d'améliorer ces systèmes, les plateformes s'appuient fréquemment sur des expériences randomisées menées par les créateurs pour évaluer les mises à jour des algorithmes. Nous démontrons que les estimateurs de différence de moyennes, couramment utilisés, peuvent conduire à des estimations fortement biaisées en raison de l'interférence entre les systèmes de recommandation, où les créateurs des groupes « traités » et « contrôle » sont en concurrence pour la visibilité. Ce biais peut entraîner des décisions commerciales erronées. Pour y remédier, nous proposons un « modèle de choix du système de recommandation » qui représente explicitement le mécanisme d'interférence. Cette approche combine un cadre de choix structurel avec des réseaux de neurones afin de prendre en compte la forte hétérogénéité entre les utilisateurs et les contenus. Sur cette base, nous développons un estimateur corrigé du biais grâce au cadre d'apprentissage automatique double (DML) pour ajuster les erreurs d'estimation des composantes parasites. Nous démontrons que l'estimateur est convergent en racine n et asymptotiquement normal, et nous étendons la théorie DML pour traiter les données corrélées, qui apparaissent dans notre contexte en raison du chevauchement des éléments. Nous validons notre méthode par une expérience de terrain à grande échelle sur la plateforme de vidéos courtes Weixin, en utilisant un plan de randomisation bilatérale coûteux afin d'obtenir une vérité terrain exempte d'interférences. Nos résultats montrent que l'estimateur proposé retrouve avec succès cette vérité terrain, tandis que les estimateurs de référence présentent un biais important et, dans certains cas, des signes inversés.