Nov, 2017

信息检索中在线学习排序平衡速度和质量

PDF
TL;DR该研究的目的是通过与用户互动来找到一个最优的排名模型。然而，复杂的模型需要更多的用户互动，简单的模型则会收敛于次优解。通过开发一个名为 Sim-MGD 的快速 OLTR 模型以及使用级联多叶梯度下降的新方法 C-MGD，研究人员成功地平衡了速度和质量的折衷，并为 OLTR 领域开展了更多未来研究的可能性。
online learning to rankuser interactionlinear modelsspeed-quality tradeoffcascading multileave gradient descent
发现论文，激发创造
  • 可微的无偏在线学习排名

    Pairwise Differentiable Gradient Descent (PDGD) is an efficient and unbiased Online Learning to Rank approach that allows for effective optimization of non-linear models based on user interactions and preferences, providing a better user experience than previously possible.

    Sep, 2018

  • 在线环境中的排名模型优化

    本文介绍了在线学习排序的两种最新方法：Dueling Bandit Gradient Descent（DBGD）和 Pairwise Differentiable Gradient Descent（PDGD）的比较及其在极端嘈杂和非连锁用户模型情况下的性能。结果表明，PDGD 在理想和最坏情况下的性能都比 DBGD 好，并且 DBGD 的理论边界不适用于任何常见的排序模型。

    Jan, 2019

  • 利用点击反馈对在线学习排序进行对抗攻击

    本文研究了攻击多个 OLTR 变体的策略，并提出了一般的攻击策略来攻击任何算法，在合成数据和真实数据上的实验验证了我们提出的攻击算法的有效性。

    May, 2023

  • 克服在线学习排名中的先验错误规定

    在线学习排序的领域，Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法，解决了现有工作需要匹配真实先验的主要局限性，并将这些结果扩展到线性和广义线性模型。此外，我们还考虑点击反馈措施，并通过合成和现实世界实验证明了我们算法的有效性。

    Jan, 2023

  • 建模还是干预：从用户交互中比较反事实和在线学习排序

    本研究对 LTR 领域的两种方法进行了第一次直接比较。研究结果表明，这两种方法在不同实验条件下性能存在显著差异，对于选择哪一种方法，需要考虑选择偏差、位置偏差和交互噪声的程度。

    Jul, 2019

  • 基于强化学习的统一离线学习排序

    在这篇论文中，我们利用强化学习中的离线学习技术，提出了一种与点击模型无关的通用排序方法 Click Model-Agnostic Unified Off-policy Learning to Rank（CUOLR），通过将排序过程视为一个马尔可夫决策过程，实现了对各种类型的点击模型的自适应，实验结果表明，CUOLR 在不同的大规模数据集上均优于现有的基于离线学习的排序算法，并能在不同的点击模型下保持一致性和鲁棒性

    Jun, 2023

  • 无偏学习排序：在线或离线？

    本文通过对无偏学习进行形式化的定义，指出现有的离线无偏学习和在线排序学习算法只是同一问题的两个方面。研究人员进一步对 6 种现有的无偏学习算法进行了评估，并发现其中大部分算法都可以在离线和在线环境下使用，而且有一定的应用前景。

    Apr, 2020

  • 无偏学习排序：反事实和在线方法

    这篇论文讨论了无偏学习排名（LTR）中的两种方法论：对联合 LTR 和在线 LTR，介绍了它们的差异和对用户体验和学习的影响，并提供了选择适当方法的实践指南。

    Jul, 2019

  • 通过可微优化有序加权平均值学习公平排名策略

    学习排序（LTR）是最广泛使用的机器学习应用程序之一。本文展示了如何将有效可解的公平排序模型整合到 LTR 模型的训练循环中，以在公平性、用户效用和运行效率之间取得有利的平衡。特别是，本文首次展示了如何通过 OOW 目标的约束优化进行反向传播，从而在集成的预测和决策模型中使用它们。

    Feb, 2024

  • 基于随机点击模型的在线学习排序算法

    提出了一个新的在线学习排序算法 - BatchRank，适用于广泛的点击模型，包括级联和基于位置的模型，并在 Web 搜索查询的一系列测试中性能优越。

    Mar, 2017