以采样之速学习排序：具有最小计算复杂度的 Plackett-Luce 梯度估计
机器学习
2022-04-29 v2 信息检索
摘要
Plackett-Luce 梯度估计通过采样技术使随机排序模型在可行时间约束内得以优化。遗憾的是，现有方法的计算复杂度不能很好地随排序长度（即排序截断）或条目集合大小而扩展。本文中，我们引入新颖的 PL-Rank-3 算法，以可与最佳排序算法相比的计算复杂度执行无偏梯度估计。因此，我们新颖的学习排序方法适用于任何标准排序可在合理时间内完成的场景。我们的实验结果表明，在优化所需时间上收获巨大收益，且性能无任何损失。对于该领域，我们的贡献有可能使最先进的学习排序方法应用于比先前可行规模大得多的场景。
引用
@article{arxiv.2204.10872,
title = {Learning-to-Rank at the Speed of Sampling: Plackett-Luce Gradient Estimation With Minimal Computational Complexity},
author = {Harrie Oosterhuis},
journal= {arXiv preprint arXiv:2204.10872},
year = {2022}
}
备注
SIGIR 2022