多样化排序的结构化学习
信息检索
2015-04-21 v2
摘要
相关性和多样化都是有效搜索系统的关键标准。在本文中，我们提出了一个统一的学习框架，用于同时优化相关性和多样化。具体而言，该问题被形式化为一个优化多样化相关评估指标（DCEM）的结构化学习框架，例如 ERR-IA、a-NDCG 和 NRBP。在此框架内，判别函数被定义为一个双准则目标，旨在最大化文档之间的相关性得分之和与相异性（或多样化）。相关性和多样化特征分别用于定义相关性得分和相异性。与传统方法相比，我们方法的优势在于：(1) 直接将 DCEM 作为损失函数进行优化对于该任务更为根本；(2) 我们的框架不依赖于显式的多样化信息（如子主题），因此更适应实际应用；(3) 将多样化表示为基于特征的评分函数，更灵活地将丰富的基于多样化的特征纳入学习框架。在公共 TREC 数据集上的大量实验表明，我们的方法显著优于最先进的多样化方法，从而验证了上述优势。
引用
@article{arxiv.1504.04596,
title = {Structural Learning of Diverse Ranking},
author = {Yadong Zhu and Yanyan Lan and Jiafeng Guo and Xueqi Cheng},
journal= {arXiv preprint arXiv:1504.04596},
year = {2015}
}
备注
Discriminant Function, Diversity Feature, Learning Framework