論文の概要: Replace Scoring with Arrangement: A Contextual Set-to-Arrangement
Framework for Learning-to-Rank
- arxiv url: http://arxiv.org/abs/2308.02860v2
- Date: Fri, 25 Aug 2023 07:59:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 16:53:54.223029
- Title: Replace Scoring with Arrangement: A Contextual Set-to-Arrangement
Framework for Learning-to-Rank
- Title（参考訳）: スコアリングをアレンジで置き換える: 学習からランクへのコンテクスト・セット・トゥ・アレンジメント・フレームワーク
- Authors: Jiarui Jin, Xianyu Chen, Weinan Zhang, Mengyue Yang, Yang Wang, Yali
Du, Yong Yu, Jun Wang
- Abstract要約: ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。
既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。
本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
- 参考スコア（独自算出の注目度）: 40.81502990315285
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Learning-to-rank is a core technique in the top-N recommendation task, where
an ideal ranker would be a mapping from an item set to an arrangement (a.k.a.
permutation). Most existing solutions fall in the paradigm of probabilistic
ranking principle (PRP), i.e., first score each item in the candidate set and
then perform a sort operation to generate the top ranking list. However, these
approaches neglect the contextual dependence among candidate items during
individual scoring, and the sort operation is non-differentiable. To bypass the
above issues, we propose Set-To-Arrangement Ranking (STARank), a new framework
directly generates the permutations of the candidate items without the need for
individually scoring and sort operations; and is end-to-end differentiable. As
a result, STARank can operate when only the ground-truth permutations are
accessible without requiring access to the ground-truth relevance scores for
items. For this purpose, STARank first reads the candidate items in the context
of the user browsing history, whose representations are fed into a
Plackett-Luce module to arrange the given items into a list. To effectively
utilize the given ground-truth permutations for supervising STARank, we
leverage the internal consistency property of Plackett-Luce models to derive a
computationally efficient list-wise loss. Experimental comparisons against 9
the state-of-the-art methods on 2 learning-to-rank benchmark datasets and 3
top-N real-world recommendation datasets demonstrate the superiority of STARank
in terms of conventional ranking metrics. Notice that these ranking metrics do
not consider the effects of the contextual dependence among the items in the
list, we design a new family of simulation-based ranking metrics, where
existing metrics can be regarded as special cases. STARank can consistently
achieve better performance in terms of PBM and UBM simulation-based metrics.
- Abstract（参考訳）: learning-to-rankはトップnレコメンデーションタスクの中核となるテクニックであり、理想的なランカはアイテムセットからアレンジメント(すなわち置換)へのマッピングである。
既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。
しかし,これらのアプローチは,個々の得点における候補項目間の文脈依存を無視し,ソート操作は不可分である。
上記の問題を回避すべく,個別のスコア付けやソート操作を必要とせず,候補項目の置換を直接生成する新しいフレームワークであるset-to-arrangement ranking (starank)を提案する。
その結果、starankは、アイテムの接地関連スコアにアクセスせずに、接地順の順列のみにアクセスできる場合にのみ動作することができる。
この目的のために、STARankはまずユーザブラウジング履歴のコンテキストで候補項目を読み、その表現をPlanet-Luceモジュールに入力して、指定された項目をリストに配置する。
スタークの監視に与えられた接地順の置換を効果的に利用するために,placett-luceモデルの内部一貫性を活用し,計算効率の良いリストワイズ損失を導出する。
2つのラーニング・トゥ・ランクベンチマークデータセットと3つのトップn実世界のレコメンデーションデータセットにおける9つの最先端手法に対する実験的比較は、従来のランキング指標でスタークの優位を示している。
これらのランキング指標は、リスト内の項目間の文脈依存の影響を考慮せず、既存のメトリクスを特別なケースとして扱うことができる、シミュレーションに基づく新しいランキング指標のファミリーを設計することに注意する。
STARank は、PBM と UBM のシミュレーションベースのメトリクスで、常により良いパフォーマンスを達成することができる。
関連論文リスト
- Self-Calibrated Listwise Reranking with Large Language Models [137.6557607279876]
大規模言語モデル (LLM) はシーケンシャル・ツー・シーケンス・アプローチによってタスクのランク付けに使用されている。
この階調のパラダイムは、より大きな候補集合を反復的に扱うためにスライディングウインドウ戦略を必要とする。
そこで本稿では,LLMを用いた自己校正リストのランク付け手法を提案する。
論文 参考訳（メタデータ） (2024-11-07T10:31:31Z) - SortNet: Learning To Rank By a Neural-Based Sorting Algorithm [5.485151775727742]
本稿では、ニューラルネットワークをコンパレータとしてオブジェクトを順序付けする適応的なランキングアルゴリズムであるSoltNetを提案する。
提案アルゴリズムをLETORデータセット上で評価し,他の手法と比較して有望な性能を示す。
論文 参考訳（メタデータ） (2023-11-03T12:14:26Z) - Zero-Shot Listwise Document Reranking with a Large Language Model [58.64141622176841]
本稿では,タスク固有の学習データを用いることなく,言語モデル(LRL)を用いたリスワイズ・リランカを提案する。
3つのTRECウェブサーチデータセットの実験により、LRLは第1段検索結果の再ランク付け時にゼロショットポイントワイズ法より優れるだけでなく、最終段再ランカとしても機能することが示された。
論文 参考訳（メタデータ） (2023-05-03T14:45:34Z) - PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework
in E-commerce [13.885695433738437]
既存の再ランク付け手法は、初期ランキングリストを直接入力として取り、よく設計されたコンテキストワイズモデルによって最適な置換を生成する。
候補の順列を評価することは 現実的には 許容できない計算コストをもたらします
本稿では,これらの課題に対処するため,PIERという新しいエンドツーエンドのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-06T09:17:52Z) - Learning List-Level Domain-Invariant Representations for Ranking [59.3544317373004]
リストレベルのアライメント -- より高いレベルのリストでドメイン不変表現を学習する。
利点は2つある: これは、ランク付けに縛られる最初のドメイン適応の一般化をもたらし、その結果、提案法に対する理論的支援を提供する。
論文 参考訳（メタデータ） (2022-12-21T04:49:55Z) - PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。
ピランクは所望の指標をゼロ温度の限界で正確に回収する。
論文 参考訳（メタデータ） (2020-12-12T05:07:36Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。