Learn to Rank

排序学习主要用于搜索引擎,推荐系统等领域。

对于传统的排序算法,一般只能根据少量特征,然后通过人为设定的规则,来进行文档的全量排序。

然而对于排序涉及大量的特征,而且这些特征难以人为的编辑规则来进行文档和文档之间的比较,这就出现了排序学习。

排序学习通过以特征和文档为输入,通过机器学习或者神经网络的方法,最终输出对于某个查询,每个文档的相关度分数,进而实现可以进行对文档的排序。

范式

  • 查询集合Q = {q1, q2 .... qn}
  • 文档集合D
  • 与第 i 个查询 qi 相关的文档Di = {d1 .... dm}
  • 得到结果:相关性分数 y = {y1 ... ym}

机器学习之排序学习-LMLPHP

类别

PointWise

机器学习之排序学习-LMLPHP
机器学习之排序学习-LMLPHP

优点

  • 可以直接利用现有的回归和分类的理论和算法

缺点

  • 对于同一label级别的文档,无法进行排序,导致某些不重要的文档排在前面
  • 训练的时候仅考虑了当前文档的特征,忽略了本文档与其他文档的差别训练

PairWise

机器学习之排序学习-LMLPHP
输出的0/1代表doc1是否大于doc2

优点

可以直接应用以后的分类算法

缺点

  • 仅考虑了文档对的相对次序,很难推出列表的全序
  • 如果前面的文档对判断错误,会直接导致后面的文档对判断错误

RankNet

机器学习之排序学习-LMLPHP

ListWise

机器学习之排序学习-LMLPHP

NDCG理解

  • rel:查询q与文档的相关度
  • CG:了耳机增益,在top-n下,rel的累加
  • DCG:折损累计增益,在top-n下,rel乘以一个随位置的衰减值,表示越靠前的,权重越大,越靠后的,影响越小
  • IDCG:理想的DCG值,一般为训练预期结果的DCG值
  • NDCG:预测的DCG/IDCG
模型输出的DCG值
IDCG:(通过排名rel值得到)
非连续性

可以看出,IDCG是固定的,对DCG的优化过程,DCG的值呈现跳跃性改变,因此DCG是非连续函数,这导致以NDCG为代表的损失函数,很难使用现代的优化算法来优化。

lambda梯度

由于NDCG的非连续性,这就引入了lambda为梯度的损失函数

lambda损失

  • 通过定义loss的梯度,不需要通过求导,而是直接求得lambda的梯度,然后通过反向传播到上层的model,优化模型的参数,这样就避免了最后的loss是非连续函数不可导的缺点
  • 最后梯度=lambda(i)
  • lambda>0,则趋于上升
  • lambda<0,则趋于下降
lambda计算
  • 计算DCG
  • 计算IDCG
  • 计算deltaNDCG = |NDCG - NDCG(swap(i, j))|
  • lambda(i) = deltaNDCG(i>j) - deltaNDCG(i<j)
12-26 01:28