Learning to Rank是采用机器学习算法,通过训练模型来解决排序问题,在Information Retrieval,Natural Language Processing,Data Mining等领域有着很多应用。
转载自:Learning to Rank简介 - 笨兔勿应 - 博客园
目录
① NDCG(Normalized Discounted Cumulative Gain)
1. 排序问题
如图 Fig.1 所示,在信息检索中,给定一个query,搜索引擎会召回一系列相关的Documents(通过term匹配,keyword匹配,或者semantic匹配的方法),然后便需要对这些召回的Documents进行排序,最后将Top N的Documents输出。
而排序问题就是使用一个模型 f(q,d)来对该query下的documents进行排序,这个模型可以是人工设定一些参数的模型,也可以是用机器学习算法自动训练出来的模型。现在第二种方法越来越流行,尤其在Web Search领域,因为在Web Search 中,有很多信息可以用来确定query-doc pair的相关性,而另一方面,由于大量的搜索日志的存在,可以将用户的点击行为日志作为training data,使得通过机器学习自动得到排序模型成为可能。
需要注意的是,排序问题最关注的是各个Documents之间的相对顺序关系,而不是各个Documents的预测分最准确。Learning to Rank是监督学习方法,所以会分为training阶段和testing阶段,如图 Fig.2 所示
1.1 Training Data的生成
对于Learning to Rank,training data是必须的,而feature vector通常都是可以得到的,关键就在于label的获取,而这个label实际上反映了query-doc pair的真实相关程度。通常我们有两种方式可以进行label的获取:
第一种方式:人工标注。这种方法被各大搜索引擎公司广为应用。人工标注即对抽样出来作为training data的query-doc pair人为地进行相关程度的判断和标注。一般标注的相关程度分为5档:perfect,excellent,good,fair,bad。例如,query=“Microsoft”,这时候,Microsoft的官网是perfect;介绍Microsoft的wikipedia则是excellent;一篇将Microsoft作为其主要话题的网页则是good;一篇只是提到了Microsoft这个词的网页则是fair,而一篇跟Microsoft毫不相关的网页则是bad。人工标注的方法可以通过多人同时进行,最后以类似投票表决的方式决定一个query-doc pair的相关程度,这样可以相对减少各个人的观点不同带来的误差。
第二种方式:通过搜索日志获取。搜索日志记录了人们在实际生活中的搜索行为和相应的点击行为,点击行为实际上隐含了query-doc pair的相关性,所以可以被用来作为query-doc pair的相关程度的判断。一种最简单的方法就是利用同一个query下,不同doc的点击数的多少来作为它们相关程度的大小。
不过需要注意的是,这里存在着一个很大的陷阱,就是用户的点击行为实际上是存在“position bias”的,即用户偏向于点击位置靠前的doc,即便这个doc并不相关或者相关性不高。有很多 tricky的和 general 的方法可以用来去除这个“position bias”,例如,
① 当位置靠后的doc的点击数都比位置靠前的doc的点击数要高了,那么靠后的doc的相关性肯定要比靠前的doc的相关性大。
② Joachims等人则提出了一系列去除bias的方法,例如 Click > Skip Above, Last Click > Skip Above, Click > Earlier Click, Click > Skip Previous, Click > No Click Next等。
③ 有个很tricky但是效果很不错的方法,之前我们说一个doc的点击数比另一个doc的点击数多,并不一定说明前者比后者更相关。但如果两者的差距大到一定程度了,即使前者比后者位置靠前,但是两者的点击数相差5-10倍,这时候我们还是愿意相信前者更加相关。当然这个差距的大小需要根据每个场景具体的调整。
④ position bias 存在的原因是,永远无法保证在一次搜索行为中,用户能够看到所有的结果,往往只看到前几位的结果。这时候就到了 Click Model大显身手的时候了,一系列的 Click Model 根据用户的点击信息对用户真正看到的doc进行“筛选”,进而能更准确地看出用户到底看到了哪些doc,没有看到哪些doc,一旦这些信息知道了,那么我们就可以根据相对更准确的 点击数/展示数(即展现CTR)来确定各个doc的相关性大小。
两种label获取方法的利弊:
人工标注受限于标注的人的观点,不同的人有不同的看法,而且毕竟标注的人不是真实搜索该query的用户,无法得知其搜索时候的真实意图;另一方面人工标注的方法代价较高且非常耗时。而从搜索日志中获取的方法则受限于用户点击行为的噪声,这在长尾query中更是如此,且有用户点击的query毕竟只是总体query的一个子集,无法获取全部的query下doc的label。
1.2 Feature的生成
一般Learning to Rank的模型的feature分为两大类:relevance 和 importance(hotness),即query-doc pair 的相关性feature,和doc本身的热门程度的feature。两者中具有代表性的分别是 BM25 和 PageRank。
1.3 评估指标
怎么判断一个排序模型的好坏呢?我们需要有验证的方法和指标。方法简单来说就是,比较模型的输出结果,和真实结果(ground truth)之间的差异大小。用于Information Retrieval的排序衡量指标通常有:NDCG,MAP等。
① NDCG(Normalized Discounted Cumulative Gain)
NDCG表示了从第1位doc到第k位doc的“归一化累积折扣信息增益值”。其基本思想是:
1) 每条结果的相关性分等级来衡量
2) 考虑结果所在的位置,位置越靠前的则重要程度越高
3) 等级高(即好结果)的结果位置越靠前则值应该越高,否则给予惩罚
其中,表示最理想情况下排序的“累积折扣信息增益值”,
表示结果按照相关性从大到小的顺序排序,取前p各结果组成的集合。
② MAP(Mean Average Precision)
其定义是求每个相关文档检索出后的准确率的平均值(即Average Precision)的算术平均值(Mean)。这里对准确率求了两次平均,因此称为Mean Average Precision。
对于一个query,其AP值为:,其中hit就是指该item是否存在,值域为{0,1};p指的是位置。
对所有user或者所有推荐的AP求平均,得到MAP:
2. Formulation
用通用的公式来表示Learning to Rank算法,loss function为,从而risk function(loss function在X,Y联合分布下的期望值)为:
有了training data后,进一步得到empirical risk function:
根据Learning to Rank的类型,学习目标函数可以分为:
(1)pointwise loss:例如squared loss.etc
(2)pairwise loss:例如hinge loss,exponential loss, logistic loss.etc
(3)listwise loss
3. Learning to Rank Methods
Learning to Rank 方法可以分为三种类型:pointwise,pairwise,和listwise。
pointwise和pairwise方法将排序问题转化为classification,regression,ordinal classification等问题,优点是可以直接利用已有的classificatin和regression算法,缺点是group structure其实是被忽略的,即不会考虑每个query下所有doc之间的序关系。导致其学习目标和真实的衡量排序的目标并不一定是一致的(很多排序衡量指标,例如NDCG都是衡量每个query下的整体list的序关系的)。
listwise方法则将一个ranking list作为一个instance来进行训练,其实会考虑每个query下所有doc之间的序关系的。
Pointwise | Pairwise | Listwise | |
输入空间 | 单个doc和对应query构成的特征向量 | 同一个query对应的2个doc构成的2个特征向量 | 同一个query对应的所有doc构成的多个特征向量 |
假设空间 | 打分函数 | 二变量函数 | 多变量函数 |
输出空间 | 单个doc和对应query的相关度 | pairwise的相关度 | 所有doc和对应query的相关度排序列表 |
损失函数 | 交叉熵 | 合页损失 | KL散度 |
优点 | 比Pointwise可以建模到doc pair之间的相对顺序信息 | 基于query和Position | |
缺点 | ①追求排序结果,并不要求精确打分,只要求相对打分 ②没有考虑同一个query对应的Docs间的依赖性 ③没有建模到预测排序中的位置信息 | ①考虑到了doc pair的相对位置,但是没建模到排序中的位置信息 ②没有考虑同一query对应的doc pair间的内部依赖 ③不平衡放大 ④比pointwise对噪音更敏感 | ①需要基于排序来计算loss,增加训练复杂度 ②位置信息没有得到充分利用,可以在loss中加入位置折扣因子 |
具体算法 | Subset Ranking, McRank, Prank, OC SVM | Ranking SVM, RankBoost, RankNet, GBRank, IR SVM, LambdaRank, LambdaMart | ListNet, ListMLE, AdaRank, SVM MAP, Soft Rank |