1,问题陈述
论文《Deep Matrix Factorization Models for Recommender Systems》构建模型损失函数的时候用到了point-wise,pair-wise相关知识,不太明白这两个模型是啥,经查阅大量资料,终于搞明白了。以下给出相关总结
2,Learning to Rank简介
利用机器学习来对搜索结果进行排序,是最近几年非常热门的研究领域。信息检索领域已经发展了几十年,为何将机器学习技术和信息检索技术相互结合出现较晚?主要原因如下:
传统的排序方法是通过构造一个排序函数实现,在信息检索领域一般按照相关度进行排序。比较典型的是搜索引擎中一条查询query(简记为q),将返回一个相关的文档document(简记为d),然后根据(q,d)之间的相关度进行排序,再返回给用户。而随着影响相关度的因素变多,使用传统排序方法变得越来越困难,人们就想到通过机器学习来解决这一问题,这就产生了LRT
Learning to Rank将机器学习的技术很好的应用到了排序中,并提出了一些新的理论和算法,不仅有效地解决了排序的问题,其中一些算法的思想也非常新颖。Learning to Rank可以被广泛的应用在信息检索、协同过滤(推荐系统中很重要的模型)等领域。
3,总结
话不多说,直接上总结链接