Oct, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 可扩展个性化排名的批量学习框架

    提出了一种新的基于批处理的排名估算器和平滑的排名敏感损失函数的个性化排名框架，该框架比先前的工作具有更稳定和准确的排名近似，并且可以通过显式使用并行计算来加速训练，在三个物品推荐任务上取得一致的准确性改进和时间效率优势。

    Nov, 2017

  • 操作型电子商务搜索的级联排序

    在大规模电商搜索应用中，本文设计并部署了一种新型的级联排序模型，解决了实际搜索应用中多种用户体验、计算费用等约束条件的问题，有效提高了搜索效率和用户体验。

    Jun, 2017

  • 可扩展的学习非可分解目标

    本研究提出了一种统一的框架，使用简单的构建块限制，允许对各种基于排名的目标进行高度可扩展的优化，并在多个实际检索问题上展示了我们方法的优势，同时在性能和精度方面显著改进了基线。

    Aug, 2016

  • 朝着更好的排名一致性迈进：用于早期广告排名的多任务学习框架

    我们提出了一个多任务学习框架，用于早期阶段排名以捕获多个最终阶段排名组件和它们的任务关系，实现广告召回率和排名一致性的改进。通过模型整合，我们不仅可以实现成本节约，还可以在大规模工业广告排名系统中实现显著更高的点击率、转化率、总价值和更好的广告质量效果。

    Jul, 2023

  • 点击率预测的置信度排名

    本文提出了一种名为 “置信度排名” 的新型框架，使用两个不同的模型以排名函数的形式设计优化目标，允许针对不同凸代理函数的评估指标进行直接优化，例如 AUC 和 Accuracy。实验结果表明，引入置信度排名损失后，可以在公共和工业数据集的 CTR 预测任务上胜过所有基线，该框架已在 JD.com 的广告系统中部署以提高精细排名阶段的主要流量表现。

    Jun, 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

  • 一种自增强的校准排名框架

    基于自我增强框架的标定排序 (Calibrated Ranking) 系统解决了实际应用中现存的两个关键限制：聚合策略和概率预测上的全局权衡。

    Jun, 2024

  • 为在线广告设计的一种面向一致性的预排名算法

    提出了一种面向在线广告的一致性预排名框架，包括使用基于块的采样模块和即插即用的等级对齐模块，显式地优化 ECPM 排名结果的一致性。

    Jun, 2023

  • Top-N-Rank：一种可扩展的面向推荐系统的列表排序方法

    本论文提出了一种新的基于 Learning-to-Rank 方法的 Top-N-Rank 推荐算法，通过在排名列表中只评估前 N 个项目，消除评估低排名项目对学习排序函数的影响，并借助多种类型的隐式反馈来提高推荐质量，使用 ReLU 作为平滑目标函数的方法显著提高了排名质量和运行时间。

    Dec, 2018