Diversity Aware Relevance Learning for Argument Search
LMU Munich(慕尼黑大学);Database Systems and Data Mining(数据库系统与数据挖掘研究所)
在这项工作中,我们专注于检索相关参数的查询索赔涵盖不同方面的问题。现有技术的方法依赖于声明和前提之间的显式映射,因此无法在没有费力且昂贵的手动注释的情况下利用大量可用的前提集合。他们的多样性方法依赖于通过聚类去除重复,这并不能直接确保所选择的前提覆盖所有方面。这项工作介绍了一个新的多步骤的方法,参数检索问题。我们的方法不依赖于地面实况分配,而是采用机器学习模型来捕获参数之间的语义关系。除此之外,它旨在覆盖查询的各个方面,而不是试图显式地识别重复项。我们的实证评估表明,我们的方法导致显着改善的论点检索任务,即使它需要更少的数据。
2021-03-17 cs.CL cs.IR
Cascading Hybrid Bandits: Online Learning to Rank for Relevance and Diversity
University of Amsterdam(阿姆斯特丹大学);Bloomberg(彭博);Ahold Delhaize(阿霍德·德尔海兹)
相关性排序和结果多样化是现代推荐系统的两个核心领域。相关性排名旨在建立一个按项目相关性降序排序的排名列表,而结果多样化则侧重于生成一个涵盖广泛主题的项目排名列表。在本文中,我们研究了一个在线学习设置,旨在推荐一个排名列表,其中包含最大化排名效用的$K$项目,即,一个列表,其中的项目是相关的,其主题是多样化的。我们将其表述为级联混合土匪(CHB)问题。CHB假设级联用户行为,其中用户从上到下浏览显示的列表,单击第一个有吸引力的项目,并停止浏览其余的。我们提出了一个混合上下文强盗的方法,称为CascadeHybrid,解决这个问题。CascadeHybrid使用两个独立的函数对项目相关性和主题多样性进行建模,并同时从用户点击反馈中学习这些函数。我们在两个真实世界的推荐数据集上进行实验来评估CascadeHybrid:MovieLens和Yahoo音乐数据集。我们的实验结果表明,CascadeHybrid优于基线。此外,我们证明了理论上的保证$n$步骤的性能,证明了CascadeHybrid的健全。
2020-08-12 cs.IR cs.LG stat.ML
Reconciling the accuracy-diversity trade-off in recommendations
本文研究推荐系统中准确性与多样性的权衡问题,提出用户消费约束模型,揭示标准准确性指标未考虑此约束导致权衡,为多样化推荐设计提供理论依据。
2023-07-27 cs.IR cs.SI
Assessing Efficiency-Effectiveness Tradeoffs in Multi-Stage Retrieval Systems Without Using Relevance Judgments
大规模的检索系统通常是作为一个级联序列的阶段实现的-第一个过滤步骤,其中一个大的候选文件集是使用一个简单的技术,如布尔匹配和/或静态文档评分提取;然后一个或多个排名步骤,其中过滤器检索的文档池更精确地使用几十个或几百个不同的功能。然后,返回给用户的文档从最终排名列表的头部开始。在这里,我们将研究用于测量过滤和初步排名阶段的质量的方法,并展示如何使用这些测量来调整系统的整体性能。用于整体系统评估的标准的最高加权度量不适合评估过滤阶段,因为输出是一组文档,而不是有序的文档序列。相反,我们使用一种方法,在这种方法中,质量分数是根据过滤和完整评估之间的差异计算的。与以前的方法不同,我们的方法不需要相关性判断,因此几乎可以用于任何查询集。我们表明,这种质量分数直接相关的实际差异时,测量的有效性的相关性判断。由于质量分数不需要相关性判断,因此它可以用于识别对于给定过滤器表现特别差的查询。使用这些方法,我们探索了广泛的过滤选项,使用数以千计的查询,分类不同方法的相对优点,并确定有用的参数组合。
2015-06-02 cs.IR
Inducing Diversity in Differentiable Search Indexing
Walmart Global Tech(沃尔玛全球技术部门)
本文提出在可微搜索索引(DSI)训练过程中引入受 MMR 启发的多样性机制,在 NQ320K 和 MSMARCO 上验证了可在不显著损失相关性的前提下实现多样化召回,免去后处理步骤,并适用于子主题检索和增量索引更新。
2025-02-05 cs.AI cs.IR cs.LG
Using Image Fairness Representations in Diversity-Based Re-ranking for Recommendations
在最近的工作中,已经探索了个性化推荐中的相关性和公平性之间的权衡,目标是最小化对某些人口统计学的学习歧视,同时仍然产生相关的结果。我们提出了一个公平意识的变化的最大边缘相关性(MMR)重新排名的方法,它使用的表示使用标记的数据集计算的人口统计组。这一方法旨在体现对这些人口群体的公平性。我们在一个股票照片数据集上进行实验,并通过使用人类判断来检查使用标记数据集的不同部分时重新排名的结果,并通过对一组查询图像的排名结果进行定量分析,来检查相关性和公平性之间的权衡。我们表明,我们提出的方法可以在排名结果中包含公平性,同时获得比基线更高的精度,而我们的案例研究表明,即使是有限数量的标记数据也可以用于计算表示以获得公平性。该方法可用作推荐系统和搜索的后处理步骤。
2018-09-10 cs.IR
Principled and Scalable Diversity-Aware Retrieval via Cardinality-Constrained Binary Quadratic Programming
University of Virginia(弗吉尼亚大学)
本文提出基于卡数约束二元二次规划的多样性检索方法,通过可解释的权衡参数平衡相关性和语义多样性,并在组合优化最新进展基础上,开发了非凸紧连续松弛和基于Frank-Wolfe的算法,实验表明在相关性-多样性帕累托前沿上优于基线方法且效率显著提升。
2026-04-02 cs.CL cs.IR
Keyword-Based Diverse Image Retrieval by Semantics-aware Contrastive Learning and Transformer
针对跨模态图像检索中相关性与多样性难以平衡的问题,提出CoLT方法,通过语义感知对比学习、Transformer token分类器及后处理算法提升检索多样性,在两个真实数据集上F1分数优于现有方法。
2023-05-06 cs.IR
Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation
Kyoto University(京都大学);Inria Paris Saclay(巴黎萨克雷研究所)
本文提出B-DivRec算法,通过结合确定性点过程和模糊去噪方法,在大规模推荐中实现自适应的质量-多样性权衡,提升用户参与度和推荐效果。
2026-02-02 cs.IR cs.LG
Exploration on Demand: From Algorithmic Control to User Empowerment
Faculty of Engineering, Free University of Bozen-Bolzano(博尔扎诺自由大学工程学院)
提出一种自适应聚类框架,通过用户控制的探索机制平衡电影推荐的个性化和多样性,实验表明能有效降低列表内相似度并提升意外性。
2026-05-26 cs.IR
Welfarist Formulations for Diverse Similarity Search
Indian Institute of Science(印度科学研究所);Microsoft Research India(微软印度研究院)
本文提出基于效用主义的NNS方法,通过适应性平衡相关性与多样性,提升搜索结果的多样性同时保持高相关性。
2026-02-09 cs.CG cs.DS cs.GT
Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
Inria Saclay(法国萨克利实验室);Soda Team(Soda团队)
本研究提出了一种基于贝叶斯引导的多目标上下文序列采样框架,通过整合多种多样性指标和不确定性项优化推荐系统中的内容多样性,同时保持用户相关性。
2025-06-22 cs.AI cs.IR
Finding the Right Balance: Relevance and Diversity in LLM Retrieval
Université du Québec à Trois-Rivières(魁北克大学三河城分校)
针对RAG检索多样化效果争议,提出基于候选池冗余度和查询证据需求的查询自适应多样化规则及RNG-Score重排序器,实现按需多样化以提升检索与答案质量。
2026-10-08 cs.CL cs.IR
Evaluating Cost-Accuracy Trade-offs in Multimodal Search Relevance Judgements
Objective, Inc.(奥布杰克蒂夫公司);Peoples' Friendship University of Russia (RUDN University)(俄罗斯人民友谊大学(鲁德尼大学));Joint Institute for Nuclear Research(联合核子研究所);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Skövde(舍夫德大学)
本文在多个多模态搜索场景中比较 LLM 与 MLLM 同人类判断的一致性,分析成本与准确性权衡,发现性能随情境显著变化且视觉输入可能损害小模型。
2024-10-25 cs.CL cs.IR cs.LG
CTR-Guided Generative Query Suggestion in Conversational Search
本文提出GQS框架,通过多源CTR建模、CTR加权DPO偏好对齐和迭代优化,在对话式搜索中生成兼顾相关性与多样性的查询建议,实验证明其在CTR、相关性和多样性上优于基线。
2025-07-05 cs.IR
Diversity-Aware $k$-Maximum Inner Product Search Revisited
本文重新定义多样性感知的k-最大内积搜索问题,提出Greedy和DualGreedy两种线性扫描算法并结合BC-Tree索引,在保证相关性的同时高效返回多样化搜索结果。
2024-02-21 cs.DB cs.DS cs.IR
Calibrating Explore-Exploit Trade-off for Fair Online Learning to Rank
University of Virginia(弗吉尼亚大学)
在线学习排序(OL 2 R)由于其避免了离线监督排序模型学习中昂贵的相关性标注,近年来引起了广泛的研究兴趣。这样的解决方案探索未知数(例如,有意地在顶部位置上呈现所选择的结果)以改进其相关性估计。然而,这引发了对其排名公平性的关注:在OL 2 R过程中,不同类别的项目可能会受到不同的待遇。但是现有的公平排名解决方案通常需要事先了解结果相关性或执行排名器,这与OL 2 R的设置相矛盾,因此不能直接应用于保证公平性。在这项工作中,我们提出了一个通用的框架,以实现公平性定义的组曝光OL 2 R。其核心思想是校准公平控制,相关学习和在线排名质量的探索和开发。特别是,当模型正在探索一组相关反馈的结果时,我们将探索限制在随机排列的子集内,其中在反馈仍然是无偏的同时保持组间的公平性。从理论上证明了这种策略引入最小失真OL 2 R的遗憾,以获得公平。对两个公共学习排序基准数据集进行了广泛的实证分析,以证明所提出的解决方案与现有的公平OL 2 R解决方案相比的有效性。
2021-11-01 cs.IR cs.LG
Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure
Cadence通过因果去偏共购关系和反事实暴露提升推荐多样性,同时保持准确性。
2025-12-19 cs.AI cs.IR
Deep Dynamic Neural Network to trade-off between Accuracy and Diversity in a News Recommender System
Ryerson University(瑞尔森大学)
新闻推荐系统的特点是一些独特的挑战,具体到新闻领域。这些挑战来自于读者对动态生成的新闻项目的快速变化的兴趣,这些新闻项目随时间不断变化。新闻阅读也是由读者的长期和短期利益驱动的。此外,新闻推荐系统需要多样性,不仅要让读者参与阅读过程,还要让他们接触到不同的观点和意见。在本文中,我们提出了一个深度神经网络,它将信息丰富的新闻和读者的兴趣共同学习到一个统一的框架中。我们从新闻的标题、摘要(正文)和分类(类别、子类别)中学习新闻的表征(特征)。我们从读者的点击历史中了解读者的长期兴趣,通过LSTMS从最近的点击中了解读者的短期兴趣,通过注意力机制了解读者的多样化兴趣。我们还对我们的模型应用了不同程度的注意力。我们在两个新闻数据集上进行了广泛的实验,以证明我们的方法的有效性。
2021-03-17 cs.AI cs.IR cs.LG
Facets of Fairness in Search and Recommendation
最近的几项工作突出了搜索和推荐系统如何沿着不同的维度表现出偏见。抵制这种偏见并在搜索中引入一定程度的公平性,不仅对于创造一个考虑相关性和多样性的更平衡的环境至关重要,而且对于为内容消费者和内容生产者提供一个更可持续的前进方向也至关重要。这篇简短的论文探讨了最近的一些作品,以定义相关性,多样性和相关概念。然后,它着重于解释在各种推荐设置中新兴的公平性概念。在这样做的时候,本文提出了比较,并强调各种措施之间的合同,在我们的概念和评估框架的差距。
2020-07-16 cs.CY cs.IR
Re-ranking Based Diversification: A Unifying View
本文提出统一视角,将多种多样化重排序算法归结为最大化参数化凹/线性对模函数,并用总曲率分析其最优性及相关性与多样性权衡。
2019-06-26 cs.IR stat.ML