一种用于学习排序的尺度不变排序函数：真实世界用例
信息检索
2021-10-22 v1
摘要
如今，在线旅行社提供预订假期、商务旅行、住宿等的主要服务。如同许多涉及用户、物品与偏好的电子商务服务，推荐系统的使用便利了市场对浏览。将机器学习模型（此处为学习排序模型）产品化时的主要挑战之一在于，不仅需要一致的前处理变换，还需要输入特征在训练与预测时保持相似尺度。然而，特征尺度在真实生产环境中未必保持不变，这可能导致意外的排序顺序。特征标准化、批归一化与层归一化等归一化技术常用于应对尺度问题。然而，这些技术存在不足。为解决该问题，本文提出一种新颖的尺度不变排序函数（称为 SIR），其通过组合深度与宽度神经网络实现。我们将 SIR 与五种最先进的学习排序模型结合，并在包含来自 Hotels.com 网站的 5600 万次预订搜索的大型数据集上比较组合模型与经典算法的性能。此外，我们模拟了四种测试集特征尺度与训练集不一致的的真实场景。结果显示：当预测时特征尺度不一致，融入 SIR 的学习排序方法在所有场景中均优于原方法（性能差异最高达 14.7%）；而当训练与测试集特征尺度一致时，我们的方案取得了与经典算法可比的精度。
引用
@article{arxiv.2110.11259,
title = {A scale invariant ranking function for learning-to-rank: a real-world use case},
author = {Alessio Petrozziello and Xiaoke Liu and Christian Sommeregger},
journal= {arXiv preprint arXiv:2110.11259},
year = {2021}
}
备注
14 pages, 1 figure, 1 table