Top-N-Rank：一种可扩展的列表级排序推荐方法
信息检索
2018-12-20 v2 机器学习
机器学习
摘要
我们提出Top-N-Rank，一类新颖的列表级学习排序（Learning-to-Rank）模型，用于可靠推荐排名前N的项。所提模型优化了广泛使用的折扣累积增益（DCG）目标函数的一个变体，该变体与DCG在两个重要方面不同：(i) 它仅对排序列表中的前N项评估DCG，从而消除低排名项对所学排序函数的影响；(ii) 它引入权重，使模型能够利用具有不同可靠或可信程度的多种隐式反馈。由于所得目标函数非光滑因而难以优化，我们考虑使用传统sigmoid函数与修正线性单元（ReLU）对该目标函数的两种光滑近似。我们提出一类可与任意光滑目标函数协同工作的学习排序算法（Top-N-Rank）。随后引入更高效变体Top-N-Rank.ReLU，其有效利用ReLU函数性质将Top-N-Rank在用户平均评分项数上的计算复杂度由二次降为线性。我们使用两个广泛基准（即MovieLens数据集与Amazon Video Games数据集）的实验结果表明：(i) 目标函数的“前N截断”显著改善前N推荐项的排序质量；(ii) 使用ReLU光滑目标函数相较sigmoid在排序质量与运行时间上均带来显著提升；(iii) Top-N-Rank.ReLU在排序质量上大幅优于表现良好的列表级排序方法。
引用
@article{arxiv.1812.04109,
title = {Top-N-Rank: A Scalable List-wise Ranking Method for Recommender Systems},
author = {Junjie Liang and Jinlong Hu and Shoubin Dong and Vasant Honavar},
journal= {arXiv preprint arXiv:1812.04109},
year = {2018}
}
备注
paper accepted by the 2018 IEEE International Conference on Big Data