使用局部几何平均度量的排序学习

许多排序学习（LtR）算法侧重于查询无关模型，其中查询和文档不处于同一特征空间，排序器依赖于查询-文档对的特征集合，而非查询实例与文档之间的相似度。然而，现有算法未考虑查询-文档特征空间中的局部结构，且对无关噪声特征较为脆弱。本文提出一种新颖的黎曼度量学习算法，以捕捉局部结构并开发鲁棒的LtR算法。首先，我们设计了一个称为“理想候选文档”的概念，将度量学习算法引入查询无关模型。以往的度量学习算法旨在寻找最优度量空间，仅适用于查询相关模型，其中查询实例和文档属于同一特征空间，相似度可直接从度量空间中计算得出。随后，我们扩展了新颖且极快的全局几何平均度量学习（GMML）算法，开发出局部化GMML，即L-GMML。基于局部学习度量的组合，我们采用流行的归一化折损累积增益（NDCG）评分器和加权近似秩成对（WARP）损失，为每个查询候选集优化“理想候选文档”。最后，我们可以通过“理想候选文档”与其他候选文档之间的相似度快速评估所有候选。通过利用度量学习算法描述复杂结构信息的能力，我们的方法为执行LtR任务提供了一种有原则且高效的方式。在真实世界数据集上的实验表明，我们提出的L-GMML算法在准确性和计算效率方面均优于最先进的度量排序学习方法以及流行的查询无关LtR算法。