論文の概要: Conditional Sequential Slate Optimization
- arxiv url: http://arxiv.org/abs/2108.05618v1
- Date: Thu, 12 Aug 2021 09:14:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-13 14:23:05.787955
- Title: Conditional Sequential Slate Optimization
- Title（参考訳）: 条件付きシーケンシャルスレート最適化
- Authors: Yipeng Zhang, Mingjian Lu, Saratchandra Indrakanti, Manojkumar
Rangasamy Kannadasan, Abraham Bagherjeiran
- Abstract要約: 検索ランキングシステムは通常、検索結果を独立したクエリ文書スコアで順序付けし、検索結果のスレートを生成する。
本稿では,従来のランク付け指標の最適化と,スレート内の文書の所定の分布基準を共同で学習する条件付きシーケンシャルスレート最適化(CSSO)を提案する。
提案手法は,eコマース検索結果の多様性の強化,トップ検索結果のバイアス軽減,結果のパーソナライズなど,現実的な課題に適用できる。
- 参考スコア（独自算出の注目度）: 15.10459152219771
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The top search results matching a user query that are displayed on the first
page are critical to the effectiveness and perception of a search system. A
search ranking system typically orders the results by independent
query-document scores to produce a slate of search results. However, such
unilateral scoring methods may fail to capture inter-document dependencies that
users are sensitive to, thus producing a sub-optimal slate. Further, in
practice, many real-world applications such as e-commerce search require
enforcing certain distributional criteria at the slate-level, due to business
objectives or long term user retention goals. Unilateral scoring of results
does not explicitly support optimizing for such objectives with respect to a
slate. Hence, solutions to the slate optimization problem must consider the
optimal selection and order of the documents, along with adherence to
slate-level distributional criteria. To that end, we propose a hybrid framework
extended from traditional slate optimization to solve the conditional slate
optimization problem. We introduce conditional sequential slate optimization
(CSSO), which jointly learns to optimize for traditional ranking metrics as
well as prescribed distribution criteria of documents within the slate. The
proposed method can be applied to practical real world problems such as
enforcing diversity in e-commerce search results, mitigating bias in top
results and personalization of results. Experiments on public datasets and
real-world data from e-commerce datasets show that CSSO outperforms popular
comparable ranking methods in terms of adherence to distributional criteria
while producing comparable or better relevance metrics.
- Abstract（参考訳）: 第1ページに表示されたユーザクエリにマッチする上位検索結果は、検索システムの有効性と知覚に極めて重要である。
検索ランキングシステムは通常、検索結果を独立したクエリ文書スコアで順序付けし、検索結果のスレートを生成する。
しかし、そのような一方的なスコアリング手法は、ユーザが敏感なドキュメント間の依存関係をキャプチャできないため、サブ最適スレートを生成する。
さらに,eコマース検索のような現実のアプリケーションの多くは,ビジネス目的や長期のユーザ保持目標のために,特定の流通基準をスレートレベルで強制する必要がある。
結果の一方的なスコアリングは、スレートに関してそのような目的の最適化を明示的にサポートしない。
したがって、スレート最適化問題の解法は、スレートレベルの分布基準に従うとともに、文書の最適選択と順序を考慮する必要がある。
そこで我々は,条件付きスレート最適化問題を解くために,従来のスレート最適化から拡張したハイブリッドフレームワークを提案する。
本稿では,従来のランク付け指標の最適化と,スレート内の文書の所定の分布基準を共同で学習する条件付きシーケンシャルスレート最適化(CSSO)を提案する。
提案手法は,eコマース検索結果の多様性の強化,トップ検索結果のバイアス軽減,結果のパーソナライズなど,現実的な課題に適用できる。
パブリックデータセットとeコマースデータセットによる実世界のデータに関する実験は、cssoが分布基準への順守という観点で、人気の高い比較ランキング手法を上回っていることを示している。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - Faster Learned Sparse Retrieval with Block-Max Pruning [11.080810272211906]
本稿では,学習されたスパース検索環境に出現するインデックスに適した,革新的な動的プルーニング戦略であるBlock-Max Pruning(BMP)を紹介する。
BMPは既存の動的プルーニング戦略を大幅に上回り、安全な検索コンテキストにおいて非並列効率を提供する。
論文 参考訳（メタデータ） (2024-05-02T09:26:30Z) - Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳（メタデータ） (2024-02-07T20:53:53Z) - Adaptive Neural Ranking Framework: Toward Maximized Business Goal for
Cascade Ranking Systems [33.46891569350896]
カスケードランキングは、オンライン広告とレコメンデーションシステムにおける大規模なトップk選択問題に広く使われている。
それまでの学習からランクへの取り組みは、モデルに完全な順序やトップクオーダを学習させることに重点を置いていた。
我々はこの手法をアダプティブ・ニューラルランキング・フレームワーク (Adaptive Neural Ranking Framework, ARF) と命名する。
論文 参考訳（メタデータ） (2023-10-16T14:43:02Z) - Semantic Equivalence of e-Commerce Queries [6.232692545488813]
本稿では,クエリの等価性を認識・活用し,検索とビジネスの成果を高めるためのフレームワークを提案する。
提案手法は,検索意図のベクトル表現へのクエリのマッピング,等価あるいは類似の意図を表現した近傍のクエリの特定,ユーザやビジネス目的の最適化という3つの重要な問題に対処する。
論文 参考訳（メタデータ） (2023-08-07T18:40:13Z) - BitE : Accelerating Learned Query Optimization in a Mixed-Workload
Environment [0.36700088931938835]
BitEは、データベース統計とメタデータを使用して、学習したクエリをチューニングしてパフォーマンスを向上させる、新しいアンサンブル学習モデルである。
我々のモデルは従来の手法に比べて19.6%改善されたクエリと15.8%改善されたクエリを実現している。
論文 参考訳（メタデータ） (2023-06-01T16:05:33Z) - On Second-order Optimization Methods for Federated Learning [59.787198516188425]
フェデレート学習環境における局所的なステップを持つ2階分散手法の性能評価を行った。
本稿では,更新のための2階ローカル情報とグローバルライン検索を用いて,結果の局所的特異性に対処する新たな変種を提案する。
論文 参考訳（メタデータ） (2021-09-06T12:04:08Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。