Lovasz-Bregman散度及其与排名聚合、聚类和网页排名的联系
机器学习
2014-08-12 v1 机器学习
摘要
我们以多种方式扩展了最近引入的Lovasz-Bregman（LB）散度理论（Iyer & Bilmes 2012）。我们表明它们代表了“分数”和“排序”之间的失真，从而提供了排名聚合和基于顺序的聚类的新视角，并与网页排名有有趣的连接。我们展示了LB散度具有许多类似于基于排列的度量的性质，并且实际上其特例形式非常类似于Kendall-tau度量。我们还展示了LB散度包含了信息检索中许多常用的排名度量，如NDCG和AUC。然而，与传统的基于排列的度量不同，LB散度自然地捕捉了排序中的“置信度”概念，从而为涉及聚合分数（而不仅仅是排序）的应用提供了新的表示。我们展示了最近使用的许多网页排名模型是Lovasz-Bregman排名聚合的形式，并且还观察到使用LB散度的Mallow模型的一种自然形式已被用作“学习排序”问题的条件排名模型。
引用
@article{arxiv.1408.2062,
title = {The Lovasz-Bregman Divergence and connections to rank aggregation, clustering, and web ranking},
author = {Rishabh Iyer and Jeff A. Bilmes},
journal= {arXiv preprint arXiv:1408.2062},
year = {2014}
}
备注
Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)