度量空间中的排序赌博机：学习在大文档集合上最优多样化的排序
机器学习
2012-09-04 v2 数据结构与算法
摘要
大多数学习排序研究假设不同文档的效用是独立的，这导致学习到的排序函数返回冗余结果。少数避免这一问题的方案缺乏理论基础或无法扩展。我们提出了一种学习排序公式，它优化了满意用户的分数，并提供了几种可扩展的算法，这些算法明确考虑了文档相似性和排序上下文。我们的公式是文献中两种多臂赌博机模型的非平凡共同推广：“排序赌博机”（Radlinski等人，ICML 2008）和“Lipschitz赌博机”（Kleinberg等人，STOC 2008）。我们为这种方法提供了理论依据，以及一个近最优的算法。我们的评估添加了提高经验性能的优化，并表明我们的算法学习速度比先前方法快几个数量级。
引用
@article{arxiv.1005.5197,
title = {Ranked bandits in metric spaces: learning optimally diverse rankings over large document collections},
author = {Aleksandrs Slivkins and Filip Radlinski and Sreenivas Gollapudi},
journal= {arXiv preprint arXiv:1005.5197},
year = {2012}
}
备注
This is the full version of a paper in ICML 2010, with full proofs and a significantly revised presentation