从域泛化视角看列表级上下文建模
信息检索
2019-02-13 v1 机器学习
摘要
作为信息检索中解决排序问题最流行的技术之一，Learning-to-rank（LETOR）因其在各种数据挖掘应用中的重要性而在学术界与工业界备受关注。然而，现有大多数LETOR方法选择学习单一的全局排序函数来处理所有查询，而忽略了查询之间存在的显著差异。本文中，我们提出一种域泛化策略来解决该问题。我们提出Query-Invariant Listwise Context Modeling（QILCM），一种新颖的神经网络架构，它通过学习\textit{查询不变}的潜在表示来消除查询间可变性的不利影响，从而使排序系统能更好地泛化到未见查询。我们在基准数据集上评估了我们的技术，表明QILCM以显著优势优于先前最先进的方法。
引用
@article{arxiv.1902.04484,
title = {A Domain Generalization Perspective on Listwise Context Modeling},
author = {Lin Zhu and Yihong Chen and Bowen He},
journal= {arXiv preprint arXiv:1902.04484},
year = {2019}
}
备注
Accepted to AAAI 2019