排序以参与：最大化参与度的新型列表式方法
机器学习
2017-02-28 v1 机器学习
摘要
对于许多互联网企业而言，将给定的物品列表按照最大化特定关注指标（如点击率、平均参与时间等）的顺序呈现至关重要。我们从学习排序的角度探讨上述任务，揭示了一种新的问题设定。在传统的学习排序文献中，隐含假设在训练数据生成期间，可以获取给定物品列表的“最佳或期望”顺序。在本工作中，我们考虑了一种无法观察到期望排序的问题设定。我们提出了两种新颖的解决方案：第一种方案是扩展现有的列表式学习排序技术——列表式最大似然估计（ListMLE）；第二种方案是一个通用的基于机器学习的框架，能在最一般的意义上解决该问题。我们讨论了与该通用框架相关的几个挑战，并提出了一个简单的“物品收益”与“位置增益”模型来解决这些挑战。我们提供了训练算法和推断过程，并在合成数据以及旨在增加停留时间的新闻文章排序的真实场景中，证明了这两种方法优于传统的 ListMLE。
引用
@article{arxiv.1702.07798,
title = {Rank-to-engage: New Listwise Approaches to Maximize Engagement},
author = {Swayambhoo Jain and Akshay Soni and Nikolay Laptev and Yashar Mehdad},
journal= {arXiv preprint arXiv:1702.07798},
year = {2017}
}