Aug, 2023

用排列替代评分：一种上下文集合排列学习排序的框架

PDF
TL;DRSTARank 是一种新的学习排名框架，可以直接生成候选项的排列而无需单独评分和排序，旨在解决学习排名任务中的问题。与现有的基于概率排序原则的解决方案相比，STARank 在性能上表现更加优越。
learning-to-ranktop-n recommendationprobabilistic ranking principleset-to-arrangement rankingcontextual dependence
发现论文，激发创造
  • SetRank: 学习一种置换不变的信息检索排序模型

    本论文提出了一个名为 SetRank 的新型神经学习排序模型，使用自我注意力机制和感知不变性来捕捉跨文档相互作用以及局部上下文信息，从而实现对任意大小文档集的置换不变性排名。与传统的学习排名模型和最先进的神经 IR 模型相比，经实验证明，SetRank 在三个大型基准测试中表现显着优于基线。

    Dec, 2019

  • SetRank：基于集合贝叶斯方法的隐式反馈协同排名

    本文提出了一种基于集合的贝叶斯方法 SetRank 用于协同排序，旨在最大化新颖的集合偏好比较的后验概率。同时作者还经过理论分析表明误差的上界与用户和产品数量成正比。最后，四个真实世界数据集的广泛实验清楚地验证了 SetRank 相对于各种现有技术基线的优越性。

    Feb, 2020

  • 自我关注的上下文感知学习排名

    提出了一种基于自注意力机制的上下文感知神经网络模型，用于学习商品的排序分数，在训练和推理阶段都考虑了列表中其他商品的交互作用，相较于多层感知机模型，取得了显著的性能提升，在排序学习基准 MSLR-WEB30K 上实现了新的最佳结果。

    May, 2020

  • 自适应神经排序框架：面向级联排序系统的最大化业务目标

    级联排序在在线广告和推荐系统中被广泛应用于大规模前 k 选择问题，而学习排序是优化级联排序系统模型的重要方法；本文提出了一种新颖的适应级联排序系统的优化目标的方法，通过多任务学习框架自适应地结合放松和完整优化目标的优化；并且引入置换矩阵表示排序度量，并使用可微排序技术获得带有可控逼近误差界限的放松置换矩阵，从而在深度学习框架内直接且适当地优化放松和完整优化目标，通过提出的代理损失进行；实验证明了方法的有效性和泛化性，并且在线实验表明了方法的显著应用价值。

    Oct, 2023

  • SortNet: 通过基于神经网络的排序算法学习排序

    透过使用神经网络作为比较器的排序算法 SortNet，在 LETOR 数据集上展现出与其他先进算法相比具有潜力的性能。

    Nov, 2023

  • 低秩在线动态组合优化与双重上下文信息

    电子商务领域中的个性化推荐和动态组合问题的新型低秩模型，通过有效算法和实验验证，实现了高效利用用户和商品特征，并显著改进了既有文献中的表现。

    Apr, 2024

  • 学习丰富排序

    采用基于选择建模的上下文重复选择（CRS）模型，结合多模态模型，提供了生成丰富的排名空间的工具，同时使用结构相关的尾部风险和期望风险界限，对该模型的最大似然估计提供了严格的理论保证，并且在多项式逻辑选择模型（MNL）和 Plackett-Luce（PL）排名模型的预期风险以及 PL 排名模型的尾部风险方面也提供了前所未有的紧密界限。该 CRS 模型在各种场景下明显优于现有的排名数据建模方法，包括比赛和排名投票。

    Dec, 2023

  • 在线平台中自适应学习选择 - 排序

    优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内，通过上界调整预测的用户满意度分数，并选择最大化这些调整分数的排序操作，以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。

    Jun, 2024

  • 复杂排版中相关性和显示偏好的排名

    本文提出了一种基于深度强化学习的 Double-Rank Model（DRM）方法，能够处理复杂的排序设置，包括通过弱奖励信号学习文档和位置的最佳排序和布局，这种方法优于现有的方法并提高了排序性能。

    May, 2018

  • PIER: 电子商务中基于兴趣的置换级端到端重新排序框架

    本研究提出了名为 PIER 的新型端到端重新排序框架，采用两个主要模块 FPSM 和 OCPM，分别基于 SimHash 和全向注意机制提高重新排名效果，实验证明其在公共和工业数据集上均优于基线模型，已成功部署在美团外卖平台。

    Feb, 2023