无指标依赖的提升排序学习
信息检索
2026-04-17 v1 机器学习
摘要
学习排序（Learning-to-Rank，LTR）是一种监督式机器学习方法，用于构建特定模型，对给定查询或情境下的一组项目或文档进行相关性或重要性排序。尽管在实际信息检索系统中取得了显著成功，但当前的LTR方法依赖单一前缀排序指标（例如归一化折扣累计收益（NDCG）或平均精度（MAP））来优化排序目标函数。这种指标依赖的设置从两个角度限制了LTR方法：（1）非可微问题：直接针对给定排序指标优化排序函数本质上是不可微的，导致训练过程不稳定且效率低下；（2）排序效用受限：针对单一指标优化，难以在其他感兴趣的排序指标上获得良好泛化。为解决上述问题，我们提出一种新颖的列表级LTR框架，以实现高效和通用的排序。具体而言，我们提出一种新的可微排序损失函数，将排序算子与平均均方误差相结合。然后，我们将梯度提升机适用于最小化我们提出的损失。最后，大量实验结果表明，我们的方法在信息检索措施下以类似效率优于当前最先进的技术。
引用
@article{arxiv.2604.15101,
title = {Metric-agnostic Learning-to-Rank via Boosting and Rank Approximation},
author = {Camilo Gomez and Pengyang Wang and Yanjie Fu},
journal= {arXiv preprint arXiv:2604.15101},
year = {2026}
}
备注
Published in IEEE ICDM 2023. 6 pages