Dec, 2020

从用户与排名的交互学习：该领域的统一

PDF
TL;DR该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。
ranking systemslearning to rankmachine learninguser clickssupervised learning
发现论文，激发创造
  • 利用小规模标注数据进行排序学习

    研究目的为了实现大学学术搜索平台，探讨搜索、排名和推荐技术，但由于缺乏大量基本事实数据，传统的排名技术和评估措施难以实现。该项目有助于提高用户的学术搜索体验，包括研究人员、出版物和研究领域信息，并对大学教师和学生的研究经验都有益。

    Jul, 2022

  • 排名与评分：用于推荐系统的多任务学习

    本文提出了一种利用用户的双重决策过程的多任务框架，针对推荐系统领域的排名和评分预测任务进行优化，通过在两个基准数据集上进行测试，证明了其优于现有技术的表现。

    Jul, 2018

  • 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

  • 基于位置模型的多臂赌博反馈排序学习

    本文介绍了一种基于多臂老虎机算法和位置点击模型的方法，用于解决线上系统中推荐排名的偏见问题，并在合成和实际数据集的离线和在线 A/B 测试中证明了该算法的有效性。

    Apr, 2020

  • 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

  • 学习排序链：从隐式反馈中进行排序

    本文提出一种新方法，利用点击行为数据学习网页搜索结果的排序检索函数，通过查询链生成新类型的偏好判断，并实现了一个实际的搜索引擎进行测试，实验结果表明与传统排序函数和不考虑查询链情况下的排序函数相比，该方法在搜索引擎排序上有显著的改进。

    May, 2006

  • 控制动态学习排序中的公平和偏见

    该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。

    May, 2020

  • RankFormer：采用列表标签的列表排序学习

    提出使用 RankFormer 架构来从用户的绝对反馈中学习列表的总体质量并优化排序，模拟的公共数据集与 Amazon 搜索数据集的离线实验结果表明 RankFormer 优于所有基线；通过知识蒸馏可立即在在线实验中使用

    Jun, 2023

  • 修正学习方法，而非数据：电子商务产品排名的见解

    文章提出采用反事实风险最小化法（CRM）来实现从真实世界的日志数据中学习排名模型，以避免需要有关性的判断和数据聚合，此方法更适合从 Logged 数据中学习，CRM 方法有效地从 Logged 数据中学习，效果显著优于基线排名器（λ-MART），并且优于各种深度神经网络模型的全信息损失（例如交叉熵）的表现。

    Jul, 2019

  • 具有弱监督的神经排名模型

    本文提出了使用弱监督学习方法训练神经排序模型来解决信息检索排名问题，并通过实验结果表明，基于弱标记数据的预训练可以极大地提高神经排序模型的性能。

    Apr, 2017