基于点击图模型Query和Document相关性的计算

最新推荐文章于 2023-11-29 08:47:53 发布

置顶

夏末的初雪

最新推荐文章于 2023-11-29 08:47:53 发布

阅读量3.5k

点赞数 3

分类专栏：论文阅读文章标签：相关性搜索排序

本文链接：https://blog.csdn.net/qq_27717921/article/details/80549350

版权

本文探讨了如何从大规模点击图中学习Query和Document的相关性。通过Vector Propagation Algorithm，从query-side和document-side迭代更新向量。对于没有点击数据的Query和Document，采用线性回归构建向量。最终，利用余弦相似性计算query-document对的相关性，以用于搜索排序。

摘要由CSDN通过智能技术生成

参考论文:Learning Query and Document Relevance from a Web-scale Click Graph

背景：

用户的点击日志蕴含丰富的信息，在信息检索领域具有着重要的地位。用户点击行为数据通常用来生成训练数据用户机器学习提高ranking performance,或者是在ranking fuction中作为特征来计算ranking score.

但是点击数据存在脏数据并且具有稀疏性，大量的query和document是没有点击日志的，这也就造成了基于点击生成的特征的质量是难以保障的，尤其是对于一些偏长尾的query.通常会把query形成的预料库和title形成的预料库合并成一个预料库，然后基于共同的这个预料库训练模型，但是在query和document上词法上的区别会在之后计算相关性上带来不好的影响。另外，当query或者是document是没有点击日志时，如何学习query和document的相关性就会变得困难起来。

本文主要研究：

1.在相同的语义空间中产生query和document的向量，在word-level的vector更具有解释性，并且对于click-absent的query和document获得vector带来了解决之法----vector propagation on the click graph。

2.给出通用方法，形成click-absent的query和document的vector.

vector propagation on the click graph

notations:

Doc: documents形成集合&