sigir14--RLTR 笔记

最新推荐文章于 2025-05-21 19:45:03 发布

沧海素晴

最新推荐文章于 2025-05-21 19:45:03 发布

阅读量227

点赞数

CC 4.0 BY-SA版权

分类专栏： SRD 论文阅读

本文链接：https://blog.youkuaiyun.com/qq_32813967/article/details/82461942

SRD 论文阅读专栏收录该内容

4 篇文章

订阅专栏

本文探讨了学习排序(LTR)模型在考虑多样化(diverse)因素下的优化方法,提出了一种新的评分函数,并利用七个维度的特征向量进行训练。通过TREC2009至2011年的数据集对比实验,展示了模型在相关性(relevance)优化方面的提升。

R-LTR

LTR(learning to rank),即根据相关性(relevance)最优化最大似然概率.这篇论文即在原有基础上考虑diverse.

评分函数表达式为 $f_S(x_i. R_i) = w_r^Tx_i + w_d^Th_s(R_i),\forall x_i \in X \setminus S$
作者列举了常见 $h_S$ 的形式以及使用所提出的 $R_i$ 的7个维度作为特征向量.

Loss Function 为 $L(f(X, R), y) = -logP(y|X)$
而 $P(y|X) = P(x_{y(1)}, x_{y(2)}, ...,x_{y(n)} | X ) = P(x_{y(1)}|X)P(x_{y(2)}|X) ... P(x_{y(n)}|X)$
设 $P(x_{y(j)}|X \setminus S_{j - 1}) = \frac{exp\{ f_{S_{j - 1}}(x_y(1)) \}}{\sum^n_{k= 1} exp \{ f_{ S_{j - 1} } (x_y(k)) \} }$
则 $P(y|X) = \prod ^n _{j = 1} { \frac{exp\{ f_{S_{j - 1}}(x_y(1)) \}}{\sum^n_{k= 1} exp \{ f_{ S_{j - 1} } (x_y(k)) \} } }$