Learning to Rank：X-wise

最新推荐文章于 2023-12-30 18:34:11 发布

炼丹笔记

最新推荐文章于 2023-12-30 18:34:11 发布

阅读量397

点赞数

文章标签：算法大数据编程语言 python 机器学习

本文链接：https://blog.csdn.net/m0_52122378/article/details/116007799

版权

Learning to Rank（LTR）在搜索推荐系统中至关重要，影响用户交互和收入。Point Wise、Pair Wise、List Wise是常见的优化目标，而Permutation Wise关注整个列表顺序。文章探讨了Pair Wise的SVMRank、RankBoost、RankNet等算法，以及Point Wise和List Wise的优缺点。List Wise方法如AdaRank、LambdaMART直接优化排序结果，效果最佳。

摘要由CSDN通过智能技术生成

LTR（Learning to Rank）学习排序已经被广泛应用到文本挖掘、搜索推荐系统的很多领域，比如IR中排序返回的相似文档，推荐系统中的候选产品召回、用户排序等，机器翻译中排序候选翻译结果等等。

排序学习是搜索推荐系统、计算广告领域的核心方法。同时排序结果的好坏，在搜索推荐任务中很大程度直接影响用户点击、转化、用户体验和收入等。

在《推荐系统技术演进趋势：重排篇》一文中，作者张俊林介绍了在重排环节，推荐系统里Learning to Rank做排序，我们知道常见的有三种优化目标：Point Wise、Pair Wise和List Wise。最简单的损失函数定义是Point-wise，就是输入用户特征和单个物品特征，对这个物品进行打分，物品之间的排序，就是谁应该在谁前面，不用考虑。而Pair-wise损失在训练模型时，直接用两个物品的顺序关系来训练模型，就是说优化目标是物品A排序要高于物品B，类似这种优化目标。 List-wise的Loss更关注整个列表中物品顺序关系，会从列表整体中物品顺序的角度考虑，来优化模型。

上面我们对Point-wise、Pair-wise、List-wise这三种方式，做了一个简单的介绍。但Permutation-wise是什么呢？其实，十方同学在《排序(rank)后重排(re-rank)》一文中，为我们介绍了Permutation-wise的文章，文章中给出了一个真实的案例，如下图。