科研之友
微信
新浪微博
Facebook
分享链接
摘要
排序学习（LtR）将有监督机器学习技术（SML）用于解决排序问题，旨在给出输入文档列表的相关度更优化的排序结果。此前关于深度排序模型的研究，对于列表内文档的相关度计算彼此独立，缺乏考虑文档之间的相互作用。近年来一些新方法致力于挖掘文档之间的相互影响，如分组评分法（GSF），通过学习多元变量评分函数来联合判断文档相关性，但大多忽略了文档间相互影响的差异性，同时增加了很大的计算代价。针对此问题，提出了一种带权重的分组深度排序模型（W-GSF）。该方法借鉴推荐领域的深度兴趣网络，引入其根据候选商品调整历史行为序列权重的思想，在排序学习中多元评分法基础上，以多层前馈神经网络为主体结构，并在输入端加入激活单元，利用神经网络自适应学习调整输入的多元变量的权重，来挖掘交叉文档关系的差异性。在公共基准数据集MSLR上的实验验证了该方法的有效性，相比基线排序模型，激活策略的引入带来了排序指标上的明显提升，同时相对于同等效果的排序方法计算量大幅降低。
- 单位
