基于对抗学习的神经排序模型跨域正则化
信息检索
2018-05-10 v1
摘要
不同于依赖人工设计特征的传统学习排序模型，神经表示学习模型通过在大规模数据集上训练为排序任务学习更高层次的特征。然而，其直接从数据学习新特征的能力可能付出代价。若无特殊监督，这些模型学到的关系可能仅成立于训练数据所采样的域中，并对训练时未观测到的域泛化不佳。我们研究在排序任务背景下对抗学习作为跨域正则化的有效性。我们使用一个对抗判别器，并在一小部分域上训练神经排序模型。判别器提供负反馈信号以阻止模型学习域特定表示。我们的实验表明，在存在对抗判别器时，对留出域的性能一致更优——在 precision@1 上有时提升达 30%。
引用
@article{arxiv.1805.03403,
title = {Cross Domain Regularization for Neural Ranking Models Using Adversarial Learning},
author = {Daniel Cohen and Bhaskar Mitra and Katja Hofmann and W. Bruce Croft},
journal= {arXiv preprint arXiv:1805.03403},
year = {2018}
}
备注
SIGIR 2018 short paper