以排列替代打分：一种用于学习排序的上下文集合到排列框架
信息检索
2023-08-28 v2 人工智能
摘要
学习排序是 top-N 推荐任务中的核心技术，其中理想的排序器应是从项目集合到排列（又称置换）的映射。大多数现有方案属于概率排序原则（PRP）范式，即先对候选集中的每个项目打分，再执行排序操作以生成 top 排序列表。然而，这些方法在单独打分时忽视了候选项目间的上下文依赖，且排序操作不可微分。为规避上述问题，我们提出集合到排列排序（STARank），这是一种直接生成候选项目排列而无需单独打分与排序操作的新框架，并且是端到端可微分的。因此，STARank 可在仅能获取真实排列、无需访问项目真实相关度分数时运作。为此，STARank 首先在用户浏览历史的上下文中读取候选项目，其表示被输入 Plackett-Luce 模块以将给定项目排列成列表。为有效利用给定真实排列监督 STARank，我们利用 Plackett-Luce 模型的内在一致性性质推导出一种计算高效的列表级损失。在 2 个学习排序基准数据集和 3 个 top-N 真实世界推荐数据集上与 9 种 SOTA 方法的实验比较，证明了 STARank 在传统排序指标上的优越性。注意到这些排序指标未考虑列表中项目间上下文依赖的影响，我们设计了一系列新的基于仿真的排序指标族，其中现有指标可视为特例。STARank 在 PBM 和 UBM 基于仿真的指标上均能持续取得更好性能。
引用
@article{arxiv.2308.02860,
title = {Replace Scoring with Arrangement: A Contextual Set-to-Arrangement Framework for Learning-to-Rank},
author = {Jiarui Jin and Xianyu Chen and Weinan Zhang and Mengyue Yang and Yang Wang and Yali Du and Yong Yu and Jun Wang},
journal= {arXiv preprint arXiv:2308.02860},
year = {2023}
}
备注
CIKM 2023