TSPRank：以双线性旅行商问题模型桥接成对与列表排序方法
人工智能
2025-03-25 v3 信息检索
摘要
传统的排序学习方法 (LETOR) 方法，包括诸如 RankNet 和 LambdaMART 等成对方法，通常因仅关注成对比较而无法达到最优的全局排序。相反，基于深度学习的列表方法虽然旨在优化整个列表，但需要复杂的调参，且相较于稳健的成对模型仅带来边际改进。为了克服这些局限性，我们引入了旅行商问题排序 (TSPRank)，一种混合的成对-列表排序方法。TSPRank 将排序问题重新构建为旅行商问题 (TSP)，这是一个著名的组合优化挑战，因其众多的求解算法和应用而被广泛研究。该方法能够对成对关系进行建模，并利用组合优化来确定列表排序。该方法可以直接作为附加组件集成到现有骨干模型生成的嵌入中，以提升排序性能。我们在包括股票排序、信息检索和历史事件排序在内的多种任务上，跨三个骨干模型进行了广泛实验，结果表明 TSPRank 显著优于纯成对和列表方法。我们的定性分析表明，TSPRank 相对于现有方法的主要优势在于其在排序时能够更好地利用全局信息。TSPRank 在不同领域的稳健性和卓越性能凸显了其作为一种通用且有效的 LETOR 解决方案的潜力。
引用
@article{arxiv.2411.12064,
title = {TSPRank: Bridging Pairwise and Listwise Methods with a Bilinear Travelling Salesman Model},
author = {Weixian Waylon Li and Yftah Ziser and Yifei Xie and Shay B. Cohen and Tiejun Ma},
journal= {arXiv preprint arXiv:2411.12064},
year = {2025}
}
备注
Accepted to ACM SIGKDD 2025 Research Track. The code and preprocessed data are available at https://github.com/waylonli/TSPRank-KDD2025