面向稀疏监督查询的元学习排序方法

监督信号是训练学习排序模型的关键资源。在许多现实世界的搜索和检索场景中，对于某些查询，这些信号可能不易获得，或者获取成本高昂。例如，需要专业知识的标注领域、具有严格隐私约束的应用，以及过于稀缺的用户参与信息。我们将这些场景称为稀疏监督查询，这对传统学习排序模型构成了重大挑战。在这项工作中，我们通过提出一种新颖的元学习排序框架来解决稀疏监督查询问题，该框架利用了元学习的快速学习和适应能力。所提出的方法考虑了不同查询对其排序器具有不同最优参数的事实，这与仅学习一个适用于所有查询的全局排序模型的传统学习排序方法形成对比。因此，当新查询与训练查询具有不同特征时，所提出的方法将产生显著优势。此外，所提出的元学习排序框架是通用且灵活的。我们在公共数据集和真实世界的电子商务数据集上进行了一系列全面的实验。结果表明，所提出的元学习方法可以显著提升具有稀疏标注查询的学习排序模型的性能。