引入激活加权策略的分组排序学习方法

摘要：

排序学习(LtR)将有监督机器学习技术(SML)用于解决排序问题,旨在给出输入文档列表的相关度更优化的排序结果.此前关于深度排序模型的研究,对于列表内文档的相关度计算彼此独立,缺乏考虑文档之间的相互作用.近年来一些新方法致力于挖掘文档之间的相互影响,如分组评分法(GSF),通过学习多元变量评分函数来联合判断文档相关性,但大多忽略了文档间相互影响的差异性,同时增加了很大的计算代价.针对此问题,提出了一种带权重的分组深度排序模型(W-GSF).该方法借鉴推荐领域的深度兴趣网络,引入其根据候选商品调整历史行为序列权重的思想,在排序学习中多元评分法基础上,以多层前馈神经网络为主体结构,并在输入端加入激活单元,利用神经网络自适应学习调整输入的多元变量的权重,来挖掘交叉文档关系的差异性.在公共基准数据集MSLR上的实验验证了该方法的有效性,相比基线排序模型,激活策略的引入带来了排序指标上的明显提升,同时相对于同等效果的排序方法计算量大幅降低.

关键词：排序学习(LtR)、分组评分法(GSF)、深度神经网络、深度兴趣网络

所属期刊栏目：16

分类号：TP391(计算技术、计算机技术)

在线出版日期：2022-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1594-1602