尺度不变学习排序
机器学习
2025-01-30 v2
摘要
在 Expedia，学习排序（LTR）模型在我们的网站上发挥关键作用，负责对搜索筛选器、房源、设施和图片等信息进行排序，以更相关地呈现给用户。部署这些模型的主要挑战之一是确保训练数据和生产数据的特征缩放一致，因为不一致性可能导致部署后排序不可靠。在生产环境中由于延迟影响且难以实现分布式实时推理，归一化技术如特征标准化和批归一化在实际中难以采用。为解决特征缩放一致性问题，我们引入一种尺度不变 LTR 框架，该框架结合深度神经网络和宽神经网络，数学上保证该模型在训练和预测时间均具有尺度不变性。我们在注入特征尺度问题的模拟真实场景下对该框架进行评估，通过对预测时间对测试集进行扰动，表明即使在训练-测试缩放不一致的情况下，使用该框架也能比不使用的情况下获得更好的性能。
引用
@article{arxiv.2410.01959,
title = {Scale-Invariant Learning-to-Rank},
author = {Alessio Petrozziello and Christian Sommeregger and Ye-Sheen Lim},
journal= {arXiv preprint arXiv:2410.01959},
year = {2025}
}