信息检索在线排序学习中速度与质量的平衡
信息检索
2017-11-28 v1
摘要
在在线排序学习（OLTR）中，目标是通过与用户交互来寻找最优排序模型。当从用户行为中学习时，系统必须在与用户交互的同时从这些交互中学习。与其他排序学习（LTR）设定不同，该领域的现有研究仅限于线性模型。这是由于在选择模型时出现的速度-质量权衡：复杂模型更具表达能力，能找到最佳排序，但需要更多用户交互才能做到，这一要求在训练过程中有可能令用户感到沮丧。相反，较简单的模型可以在更少的交互上优化，从而提供更好的用户体验，但它们会收敛到次优排序。这种权衡造成了僵局，因为新模型若不同时牺牲另一方面，就无法改善用户体验或最终收敛点。我们的贡献有两点。首先，我们引入了一种称为 Sim-MGD 的快速 OLTR 模型，解决了速度-质量权衡中的速度方面。Sim-MGD 基于与参考文档的相似度对文档排序。它收敛迅速，因此提供更好的用户体验，但无法收敛到最优排序。其次，我们提出用于 OLTR 的级联多折页梯度下降（C-MGD），通过使用级联结合两个世界的优点——快速学习与高质量最终收敛——直接解决速度-质量权衡。C-MGD 能提供与 Sim-MGD 相当更好的用户体验，同时保持与最先进的 MGD 模型相同的收敛性。这为未来设计无需应对速度-质量权衡的新 OLTR 模型打开了大门。
引用
@article{arxiv.1711.09446,
title = {Balancing Speed and Quality in Online Learning to Rank for Information Retrieval},
author = {Harrie Oosterhuis and Maarten de Rijke},
journal= {arXiv preprint arXiv:1711.09446},
year = {2017}
}
备注
CIKM 2017, Proceedings of the 2017 ACM on Conference on Information and Knowledge Management