Learning a Deep Listwise Context Model for Ranking Refinement

本文主要是介绍Learning a Deep Listwise Context Model for Ranking Refinement，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

总结

不同query对应的doc分布可能不同，不能使用global打分函数（对query, doc建模），而要对（打分，doc）建模。

步骤

1. 传统l2r，得到打分
2. 对打分rnn编码，query-specific ranking，attention loss
3. 根据2的结果re-rank

细节

传统l2r打分
传统排序策略，认为可以找到一个global function $f(x_{(q,d)})$满足：$y_{(q,d)}\leftarrow f(x_{(q,d)})$，loss一般是：
L = ∑ q ∈ Q l ( { y ( q , d ) , f ( x ( q , d ) ) ∣ d ∈ D } ) \mathcal{L} = \sum_{q \in Q} l(\{ y_{(q,d)}, f(x_{(q, d)}) | d \in D \}) L=q∈Q∑​l({y(q,d)​,f(x(q,d)​)∣d∈D})
传统算法忽略了不同query召回的doc其实分布不太相同，所以考虑更改loss为：
L = ∑ q ∈ Q l ( { y ( q , d ) , ϕ ( x ( q , d ) , I ( R q , X q ) ) ∣ d ∈ D } ) \mathcal{L} = \sum_{q \in Q} l(\{ y_{(q,d)}, \phi(x_{(q, d)}, I(R_q, X_q)) | d \in D \}) L=q∈Q∑​l({y(q,d)​,ϕ(x(q,d)​,I(Rq​,Xq​))∣d∈D})
其中：

1. R q = { d sorted by  f ( x ( q , d ) ) } R_q = \{ \text{d sorted by }f(x_{(q, d)}) \} Rq​={d sorted by f(x(q,d)​)}
2. X q = { x ( q , d ) ∣ d ∈ R q } X_q = \{ x_{(q,d)} | d \in R_q \} Xq​={x(q,d)​∣d∈Rq​}
3. $I(R_q,X_q)$是传统打分模型打的分

不引入新特征，对原特征做交叉
对打分rnn编码，query-specific ranking，attention loss
对原rank出的top n个item，用rnn（gru，单向）
新结果re-rank
新的rank模型，使用原rank feature+rnn hidden output

loss function
listMLE
SoftRank
attention rank

实验

dataset：Microsoft 30k、Microsoft 10k、Yahoo! Webscope v2.0，自带打分的数据集
baseline：SVMrank、LambdaMART
评估指标
NDCG@10
ERR/Expected Reciprocal Rank：预期的倒数排名，表示用户的需求被满足时停止的位置的倒数的期望

这篇关于Learning a Deep Listwise Context Model for Ranking Refinement的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---