面向高召回的主动搜索：Thompson Sampling 的非平稳扩展
信息检索
2018-03-23 v2
摘要
我们考虑主动搜索问题，其中应以最小代价或最短时间检索出最大数量的相关对象——理想情况下是所有相关对象。通常，解决该问题面临两个主要挑战：首先，相关对象类别的先验频率往往较低；其次，该类可能多面或多模态：对象可能因完全不同的原因而相关。为解决此问题及其相关问题，我们提出了一种基于 Thompson Sampling（一种用于多臂老虎机问题的著名策略）的非平稳（亦称 restless）扩展的方法。首先将集合软聚类为有限个分量，并在接收到用户关于所提议实例的反馈后，更新每个簇内获得相关对象的后验分布。"下一实例"选择策略是一种混合的两层决策过程，其中同时考虑软簇及其实例。该方法可视为一种保险，其保险成本为短期内的额外探索代价，以换取长期内以更少代价实现近乎"完全"召回。
引用
@article{arxiv.1712.09550,
title = {Active Search for High Recall: a Non-Stationary Extension of Thompson Sampling},
author = {Jean-Michel Renders},
journal= {arXiv preprint arXiv:1712.09550},
year = {2018}
}
备注
12 pages, 0 figures. Long version (with full details and appendices) of the short paper accepted for ECIR 2018