谁是“双减”政策影响的目标群体?——参加校外学科培训的影响因素及效应分析

本研究基于中国家庭追踪调查2018年调查数据,使用Logit回归和倾向值逆概率加权(IPTW)模型评估“双减”政策对校外学科培训所影响的目标人群和对儿童学业成绩产生的可能影响。研究结果显示,儿童参加校外学科培训存在普遍性和阶层分化的特征。参加校外学科培训对儿童的数学认知能力测验得分有轻微的正向提升作用,这一正向作用仅限于居住在城市或父亲学历在高中以上、数学成绩好等具有更高的参加学科培训倾向的儿童。通过将倾向值逆概率加权和复杂抽样设计结合分析,这一研究结果具备推论到全国总体的有效性。

基于相关修正的无偏排序学习方法

用户点击数据较文档的相关标签更易被获取且能反映用户兴趣,将其作为标签能够有效降低人工标注成本并且模型能随数据实时更新.但用户点击含有偏差和噪声,因此需设计有效的无偏排序方法.针对无偏排序中对偶学习方法收敛得到次优解从而无法完全消除偏差的问题,提出一种基于相关修正的无偏排序学习方法.首先,利用现有小规模相关标注数据训练排序模型,对候选文档进行较精准的相关得分预测;再基于用户点击和文档相关得分训练点击倾向模型;最后,将得到的模型参数设为对偶去偏初始值并联合训练.该方法不影响模型上线的计算速度,可用于在线学习场景,模拟不同程度偏差噪声并在真实点击场景下进行测试,结果表明该方案能够有效提升现有无偏排序学习方法表现.

适用于稀疏隐式反馈数据的双重去偏协同过滤推荐算法

隐式反馈数据是推荐系统的重要数据来源,但通常是稀疏的,并且存在曝光偏差和从众偏差.已知的去偏方法往往只针对其中一种偏差,影响个性化推荐的效果,或者需要一个昂贵的无偏数据集作为多重去偏的辅助信息.为此,本文提出了一个适用于稀疏隐式反馈数据,同时对曝光偏差和从众偏差去偏的协同过滤推荐算法.该算法通过我们提出的双重逆倾向加权方法和对比学习辅助任务去除输入双塔自编码器的隐式反馈数据中包含的两种偏差,估计用户对物品的偏好概率.实验结果显示,本文的算法在公开无偏数据集Coat、Yahoo!R3上,归一化折扣累积增益NDCG@K、均值平均精度MAP@K和召回率Recall@K优于对比的算法.

中国人群中血脂成分与血尿酸间的剂量-反应关系

目的探讨中国成人血脂成分与血尿酸(serum uric acid,SUA)间的剂量-反应关系,为高尿酸血症(hyperuricemia,HUA)的防治提供理论依据。方法基于中国健康与营养调查(China Health and Nutrition Survey,CHNS)2009年和中国健康与养老追踪调查(China Health and Retirement Longitudinal Study,CHARLS)2011-2012年的调查数据,分别纳入符合研究纳入排除标准的研究对象8509名和6749名。采用广义倾向性评分逆概率加权方法,均衡年龄、性别等潜在混杂因素后,估计血脂成分总胆固醇(cholesterol,TC)、低密度脂蛋白(low-density lipoprotein,LDL)、高密度脂蛋白(high-density lipoprotein,HDL)和三酰甘油(triglycerides,TG)与SUA间的剂量-反应关系。结果CHNS和CHARLS研究对象的平均年龄分别为(50.32±15.08)岁和(58.52±9.17)岁,SUA升高者分别占15.30%和5.34%。在均衡可能的混杂因素后,逆概率加权法分析结果显示,TG和HDL与SUA间存在统计学剂量-反应关系,SUA水平随TG水平的升高和HDL水平的降低而升高。结论血脂异常可能导致SUA升高,及时调节血脂水平可能有助于HUA的防治。