搜索与推荐中帕累托最优解的事后选择
信息检索
2023-06-22 v1 机器学习
摘要
信息检索（IR）与推荐系统（RS）任务正从基于单一指标计算最终结果排序转向多目标问题。解决这些问题会得到一组帕累托最优解，即帕累托前沿（Pareto frontier），其中任一目标都无法在不损害其他目标的前提下进一步改善。原则上，帕累托前沿上的所有点都是潜在候选，可代表依据两个或更多指标组合选出的最佳模型。据我们所知，目前尚无公认策略来决定应选取前沿上的哪一个点。本文提出一种新颖的、事后的、有理论依据的技术，名为“距乌托邦种群距离”（Population Distance from Utopia, PDU），用于从前沿中识别并选出唯一最佳的帕累托最优解。具体而言，PDU 通过考察每个点距其乌托邦点（各目标的理想性能）的远近来分析点的分布。考虑细粒度乌托邦点的可能性使 PDU 能够选择贴合个体用户偏好的解，我们将这一新特性称为“校准”（calibration）。我们通过 IR 与 RS 中任务的广泛实验将 PDU 与现有最先进策略进行比较。实验结果表明，PDU 结合校准显著影响了解的选择。此外，结果表明所提框架以原则性方式选择解，而不论其在前沿上的位置，从而克服了其他策略的局限。
引用
@article{arxiv.2306.12165,
title = {Post-hoc Selection of Pareto-Optimal Solutions in Search and Recommendation},
author = {Vincenzo Paparella and Vito Walter Anelli and Franco Maria Nardini and Raffaele Perego and Tommaso Di Noia},
journal= {arXiv preprint arXiv:2306.12165},
year = {2023}
}