WMRB:一种可扩展批量训练方法中的排序学习
机器学习
2017-11-15 v1 信息检索
机器学习
摘要
我们提出一种新的排序学习算法,称为加权边界排序批量损失(Weighted Margin-Rank Batch loss, WMRB),以扩展流行的加权近似排序成对损失(Weighted Approximate-Rank Pairwise loss, WARP)。WMRB使用一种新的排序估计量和高效的批量训练算法。该方法允许更精确的物品排序近似,并显式利用并行计算来加速训练。在三个物品推荐任务中,WMRB一致优于WARP及其他基线。此外,随着数据规模增大,WMRB展现出明显的时间效率优势。
关键词
引用
@article{arxiv.1711.04015,
title = {WMRB: Learning to Rank in a Scalable Batch Training Approach},
author = {Kuan Liu and Prem Natarajan},
journal= {arXiv preprint arXiv:1711.04015},
year = {2017}
}
备注
RecSys 2017 Poster Proceedings, August 27-31, Como, Italy