Identifying leading indicators of product recalls from online reviews using positive unlabeled learning and domain adaptation
消费者保护机构负责保护公众免受有害产品的侵害，但其管辖范围内的数千种产品使其难以快速识别和回应消费者投诉。从消费者的角度来看，在线评论可以提供产品缺陷的证据，但手动筛选数百条评论并不总是可行的。在本文中，我们提出了一个系统来挖掘Amazon.com的评论，以确定产品，可能会造成安全或健康危害。由于这项任务的标记数据是稀缺的，我们的方法结合了积极的未标记学习领域领域自适应训练分类器从消费者投诉提交给美国消费品安全委员会。在手动注释的亚马逊产品评论的验证集上，我们发现我们的方法比最佳竞争基线的绝对F1分数提高了8%。此外，我们将分类器应用于已知召回产品的亚马逊评论;分类器识别了45%产品在召回日期之前报告安全隐患的评论。这表明，该系统可能能够提供一个早期预警系统，在官方宣布召回之前提醒消费者注意危险产品。
2017-03-01 cs.IR cs.SI
Towards an objective ranking in online reputation systems: the effect of the rating projection
在线信誉系统是当今电子商务提供商普遍使用的。为了根据用户的评分对在线项目的质量进行客观的排名，文献中已经提出了许多复杂的算法。在本文中，而不是提出新的算法，我们专注于一个更基本的问题：评级投影。其基本思想是，即使用户给出的评分值是线性分离的，用户对不同值之间的项目的真实偏好是非线性的。因此，我们设计了一种方法来项目的原始评级的用户更具代表性的价值观。这种方法可以看作是一种数据预处理方法。仿真结果表明，在真实网络和人工网络中，使用预测评分可以提高排序算法的性能。
2014-11-15 cs.IR
Group-based ranking method for online rating systems with spamming attacks
排序问题在实际系统中引起了广泛的关注。在垃圾邮件攻击的威胁下，如何设计一种鲁棒的排名方法对于在线评分系统尤为重要。通过为用户建立信誉系统，许多性能良好的排名方法已被应用于解决这个问题。在这封信中，我们提出了一个基于组的排名方法，评估用户的声誉的基础上，他们的分组行为。更具体地说，如果用户总是属于大的评级组，则会为他们分配高的声誉分数。在三个真实数据集上的实验结果表明，在垃圾邮件攻击下，该方法比基于相关性的方法具有更高的准确性和鲁棒性。
2015-01-04 cs.IR physics.soc-ph
Taking the Counterfactual Online: Efficient and Unbiased Online Evaluation for Ranking
University of Amsterdam（阿姆斯特丹大学）；Ahold Delhaize（阿霍德·德尔海兹）
反事实评估可以根据历史交互数据估计排名系统之间的点击率（CTR）差异，同时减轻位置偏差和项目选择偏差的影响。我们引入了新的日志策略优化算法（LogOpt），它优化了日志数据的策略，使反事实估计具有最小的方差。由于最小化方差导致更快的收敛，LogOpt提高了反事实估计的数据效率。LogOpt将反事实方法（与日志策略无关）转变为在线方法，由算法决定显示什么样的排名。我们证明，作为一种在线评估方法，LogOpt是无偏的w.r.t.位置和项目选择偏差，不像现有的交织方法。此外，我们通过模拟数千个排名之间的比较来进行大规模实验。我们的研究结果表明，虽然交织方法会产生系统误差，但LogOpt与交织方法一样有效，而不会有偏差。
2020-07-28 cs.IR cs.LG
Optimizing Ranking Systems Online as Bandits
University of Amsterdam（阿姆斯特丹大学）；Ahold Delhaize（皇家阿霍德德尔海兹集团）；Microsoft（微软）
排序系统是现代检索和推荐系统的核心部分，其目标是根据用户上下文对候选项进行排序。在线优化排名系统意味着部署的系统可以服务于用户请求，例如，查询，并通过从用户交互中学习来优化排名策略，例如，次点击Bandit是一个通用的在线学习框架，可以用于我们的优化任务。然而，由于排名的独特性，在设计用于排名系统优化的强盗算法方面存在一些挑战。在这篇论文中，我们研究并提出了四个挑战的解决方案，在优化排名系统在线：有效性，安全性，非平稳性和多样化。首先，有效性与算法从交互中学习的速度有关。本文研究了有效的在线排名评估任务，提出了一种有效的在线排名评估算法。其次，部署的算法应该是安全的，这意味着算法只显示用户请求的合理内容。为了解决安全的在线学习排名问题，我们提出了BubbleRank算法。第三，当用户不断改变他们的偏好时，算法应该处理非平稳性。我们制定这个非平稳在线学习排名问题级联非平稳土匪，并提出CascadeDUCB和CascadeSWUCB算法来解决这个问题。最后，排行榜的内容应该是多样的。我们认为结果多样化的任务，并提出了CascadeHybird算法，同时考虑项目的相关性和结果多样化时，从用户交互学习。
2021-10-12 cs.IR cs.LG
Application of Machine Learning for Online Reputation Systems
Faculty of Information Technology, Applied Science Private University（应用科学私立大学信息技术学院）
互联网上的用户通常要求场所提供更好的购买建议。这可以由处理评级以提供推荐的信誉系统来提供。评级聚合过程是声誉系统的一个主要部分，用于产生关于产品质量的全球意见。经常使用的简单方法在计算时不考虑消费者的个人资料，无法发现新评级中出现的不公平评级和趋势。其他使用加权平均技术的复杂评级聚合方法关注消费者简档数据的一个或几个方面。本文提出了一种新的信誉系统，利用机器学习来预测消费者的可靠性，从消费者的档案。特别是，我们通过提取一组对消费者可靠性有很大影响的因素来构建新的消费者档案数据集，这些因素作为机器学习算法的输入。然后将预测的权重与加权平均方法结合以计算产品声誉得分。所提出的模型已经在三个MovieLens基准数据集上进行了评估，使用10倍交叉验证。此外，所提出的模型的性能进行了比较，以前公布的评级聚合模型。所得到的结果是有希望的，这表明该方法可能是一个潜在的解决方案的声誉系统。比较结果表明，我们的模型的准确性。最后，所提出的方法可以与在线推荐系统集成，以提供更好的购买推荐，并促进在线购物市场上的用户体验。
2022-09-10 cs.AI cs.IR cs.LG
Pre-trained Language Model based Ranking in Baidu Search
排名系统作为搜索引擎的核心，在满足用户信息需求方面起着至关重要的作用。最近，从预训练的语言模型（PLM）微调的神经排名器建立了最先进的排名有效性。然而，由于以下挑战性问题，将这些基于PLM的排名器直接应用于大规模Web搜索系统并非易事：（1）大规模神经PLM的极其昂贵的计算，特别是对于Web文档中的长文本，禁止它们部署在要求极低延迟的在线排名系统中;（2）现有的排名不可知的预培训目标和广告之间的差异，需要综合相关性建模的特殊检索场景是改进在线排名系统的另一个主要障碍;（3）真实世界的搜索引擎通常涉及排名组件的委员会，因此单独微调的排名模型的兼容性对于合作排名系统是关键的。在这项工作中，我们贡献了一系列成功应用的技术，在部署最先进的中文预训练语言模型时解决这些暴露的问题，即，ERNIE，在网上搜索引擎系统。我们首先阐明了一种新颖的做法，以成本效益的总结Web文档和上下文所产生的摘要内容与查询使用一个便宜而强大的金字塔ERNIE架构。然后，我们赋予一个创新的范式，精细地利用大规模的噪声和偏见的点击后行为数据的相关导向的预训练。我们还提出了一个人为锚定的微调策略，为在线排名系统量身定制，旨在稳定在各个在线组件的排名信号。大量的离线和在线实验结果表明，所提出的技术显着提高搜索引擎的性能。
2021-06-25 cs.IR
The Informational Role of Online Recommendations: Evidence from a Field Experiment
本研究通过电影推荐平台的被试内设计实地实验，分解了推荐影响消费的考虑集扩大与信息提供两种机制，发现信息作用更强且对经验少的消费者更显著，为推荐系统的经济评估和优化提供参考。
2024-12-12 cs.CY cs.IR econ.GN
Recommending research articles to consumers of online vaccination information
在线健康传播往往对证据提供有偏见的解释，并与源研究有不可靠的联系。我们测试了一种工具的可行性，该工具用于将网页与其源证据相匹配。从207，538篇符合条件的疫苗接种相关PubMed文章中，我们使用3，573个与Altmetric网页的唯一链接评估了几种方法。我们评估了对网页上描述的疫苗相关研究的源文章进行排名的方法，比较了简单的基线特征表示和降维方法与典型相关分析（CCA）的方法。性能指标包括正确源文章的中位数排名;源文章正确排名第一的网页百分比（recall@1）;以及排名前50位候选文章的百分比（recall@50）。虽然使用CCA增强基线方法通常会改善结果，但没有基于CCA的方法优于基线方法，该方法将正确的源文章排在超过四分之一的网页的第一位，并在前50名中超过一半。帮助人们确定他们在疫苗接种相关网页上访问的内容的循证来源的工具可能是可行的，并可能有助于防止新闻和社交媒体中对研究的偏见和歪曲。
2020-08-19 cs.IR
Ranking with social cues: Integrating online review scores and popularity information
在线市场、搜索引擎和数据库采用聚合的社交信息来为用户对它们的内容进行排名。两种常用的排序方法是平均评论分数和项目流行度，即体验过某个项目的用户数量。这些规则虽然易于实现，但只能部分反映实际的用户偏好，因为人们可能会为平均分数和受欢迎程度赋值，并在两者之间进行权衡。人们在做选择时如何整合这两条社会信息？我们提出了两个实验，其中我们要求参与者选择200次直接从两个广泛使用的在线场所：亚马逊和IMDb。向参与者提供的唯一信息是平均分数和评论数量，这是受欢迎程度的代表。我们发现，大多数人愿意接受平均得分稍低的项目，如果他们更受欢迎。然而，我们的研究发现参与者之间的偏好存在很大的多样性，这表明依赖于社会信息的个性化排名方案具有相当大的潜力。
2017-06-23 cs.IR
Contrastive Information Transfer for Pre-Ranking Systems
实词搜索和推荐系统通常采用多阶段的排名体系结构，包括匹配、预排名、排名和重新排名。以往的研究主要集中在排名阶段，很少有研究关注排名前阶段。在本文中，我们专注于从排序到预排序阶段的信息传递。我们提出了一个新的对比信息转移（CIT）框架，将有用的信息从排序模型转移到预排序模型。我们训练预排序模型，以区分表示的正对与具有对比目标的正对和负对的集合。因此，预排序模型可以充分利用排序模型表示中的丰富信息。CIT框架还具有减轻选择偏差和提高召回指标性能的优点，这对于预排名模型至关重要。我们进行了大量的实验，包括离线数据集和在线A/B测试。实验结果表明，CIT取得了优于竞争模型的结果。此外，在一个全球最大的电子商务平台上进行的严格的在线A/B测试表明，该模型在CTR和VBR上分别提高了0.63和1.64%.该模型现已在线部署，并为该系统的主要流量提供服务，为业务增长做出了显着贡献。
2022-07-07 cs.IR
COPR: Consistency-Oriented Pre-Ranking for Online Advertising
Alibaba Group（阿里巴巴集团）
针对在线广告级联架构中预排序与排序模型结果不一致的问题，提出一致性导向预排序框架COPR，通过分块采样、排序对齐模块及ΔNDCG加权机制优化ECPM排序一致性，在淘宝广告系统实现CTR和RPM显著提升。
2023-10-09 cs.IR cs.LG
A Multi-Objective Learning to re-Rank Approach to Optimize Online Marketplaces for Multiple Stakeholders
Expedia LPS（亿客行旅行社合作伙伴解决方案）
多目标推荐系统解决了推荐与多个可能冲突的标准相关的项目的困难任务。然而，这些系统通常被设计为解决一个单一的利益相关者的目标，通常，在在线商务中，消费者的输入和购买决策最终决定了推荐系统的成功。在这项工作中，我们解决多目标，多利益相关者，建议问题涉及一个或多个目标（S）每个利益相关者。除了消费者利益相关者之外，我们还考虑了另外两个利益相关者：提供商品和服务的供应商，以及负责通过推荐算法帮助消费者与供应商联系的中介。我们分析的多目标，多利益相关者，问题的角度来看，在线市场中介的目标是最大限度地提高其佣金通过其推荐系统。我们定义了一个多目标问题，涉及我们所有的三个利益相关者，我们解决了一个新的学习重新排名的方法，利用一个新的正则化函数的基础上的肯德尔tau相关性度量及其内核版本;给定为消费者建立的项目推荐的初始排名，我们的目标是重新排序，使得新的排序也针对次要目标进行优化，同时保持接近初始排序。我们评估我们的方法在Expedia提供的酒店推荐的真实数据集上，我们展示了我们的方法对面向业务规则的基线模型的有效性。
2017-08-03 cs.IR cs.LG
Evaluating user reputation in online rating systems via an iterative group-based ranking method
声誉是在线社交生活中的一项宝贵资产，越来越受到人们的关注。由于垃圾邮件攻击的存在，如何对用户信誉进行评估显得尤为重要。为了解决这个问题，到目前为止，已经提出了各种方法，包括基于网络的方法，基于质量的方法和基于组的排序方法。在本文中，我们提出了一个迭代的基于组的排名（IGR）方法，通过引入一个迭代的声誉分配过程到原始的基于组的排名（GR）方法。更具体地，具有较高声誉的用户在支配相应的组大小方面具有较高的权重。用户的信誉和相应的组大小被迭代地更新，直到它们变得稳定。两个实际数据集上的结果表明，所提出的IGR方法具有更好的性能，其鲁棒性显着提高比原来的GR方法。我们的工作突出了用户的分组行为对更好的声誉评价的积极作用。
2015-09-02 cs.IR cs.SI physics.data-an
COLD: Towards the Next Generation of Pre-Ranking System
Alibaba Group（阿里巴巴集团）
多级级联结构广泛存在于推荐系统、在线广告等工业系统中，通常由匹配、预排序、排序等顺序模块组成。长期以来，人们认为预排序只是排序模块的简化版本，考虑到待排序的候选集规模较大。因此，努力主要是简化排名模型，以处理在线推理计算能力的爆炸。在本文中，我们重新思考的挑战，预排名系统从算法系统协同设计的观点。本文通过对预排序模型和计算能力的联合优化，设计了一种新的预排序系统，而不是通过限制模型结构来节省计算能力，从而导致模型性能的损失。我们称之为COLD（计算能力成本感知在线和轻量级深度预排名系统）。COLD在三个方面击败了SOTA：（i）在可控计算能力成本的约束下，可以在COLD中应用具有交叉特征的任意深度模型。(ii)通过应用用于推理加速的优化技巧来显式地降低计算能力成本。这进一步为COLD提供了应用更复杂的深度模型以实现更好性能的空间。(iii)COLD模型以在线学习和服务的方式工作，使其具有出色的能力来应对数据分布偏移的挑战。自2019年以来，COLD已部署在阿里巴巴展示广告系统中几乎所有涉及预排名模块的产品中，带来了显著的改进。
2020-08-17 cs.AI cs.IR cs.LG
Improving User Experience with Personalized Review Ranking and Summarization
Information and Computer Science Dept., King Fahd University of Petroleum and Minerals（信息与计算机科学系，国王法赫德石油与矿物大学）；Interdisciplinary Research Center for Intelligent Secure Systems (IRC-ISS), King Fahd University of Petroleum and Minerals（智能安全系统交叉研究中心（IRC-ISS），国王法赫德石油与矿物大学）
提出融合用户偏好建模、混合情感估计、方面级评论匹配和LLM摘要的个性化评论排名与摘要框架，在亚马逊数据集和用户研究中优于现有方法。
2026-06-06 cs.IR cs.LG
Online News Media Website Ranking Using User Generated Content
University of Tehran（德黑兰大学）；University of Houston（休斯顿大学）；Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））
新闻媒体网站是重要的在线资源，引起了文本挖掘研究者的极大关注。本研究的主要目的是提出一个从不同角度对在线新闻网站进行排名的框架。新闻网站的排名是一个有用的信息，它可以帮助许多与新闻相关的任务，如新闻检索和新闻推荐。在所提出的框架中，新闻网站的排名是通过计算三个措施介绍了文件和用户生成的内容的基础上。每项建议的衡量标准都从一个特定的角度关注新闻网站的表现，包括新闻报道的完整性、网站报道事件的多样性和速度。在这个框架中使用用户生成的内容，作为一个部分公正的，实时的和低成本的内容在网络上区分建议的新闻网站排名框架的文献。对BBC、CNN、NYTimes三家主要新闻网站的调查结果表明，BBC在新闻完整性和速度方面表现最好，NYTimes在新闻多样性方面表现最好。
2019-10-28 cs.CL cs.IR cs.SI
Click Efficiency: A Unified Optimal Ranking for Online Ads and Documents
传统的概率排序原则被用于对搜索结果进行排序，而基于期望利润的排序被用于付费广告的放置。这些排名试图最大限度地提高基于用户点击模型的预期效用。最近对搜索引擎日志的实证分析表明，排名广告和搜索结果都有一个统一的点击模型。文档和广告排名的分离视图没有考虑这种共性。此外，所使用的模型考虑以下参数：（i）用户放弃浏览结果的概率（ii）结果片段的感知相关性。但如何考虑他们改善排名目前是未知的。在本文中，我们提出了一个广义的排名功能-即“点击效率（CE）”-文件和广告的经验证明用户点击模型的基础上。排序考虑上述参数（i）和（ii），最优的并且具有与排序相同的时间复杂度。为了利用它的一般性，我们研究了减少形式的CE排名在不同的假设枚举的层次结构的排名功能。层次结构中的一些排名是当前使用的广告和文档排名功能;而其他排名则建议新的排名。虽然最优的排名是足够的文件排名，应用CE排名广告拍卖需要一个适当的定价机制。我们将第二个基于价格的定价机制与建议的排名。我们的分析证明了几个理想的属性，包括收入优势VCG相同的出价向量和存在的纳什均衡纯策略。这个均衡是社会最优的，收入等于真实的VCG均衡。此外，我们放松了CE排名的独立性假设，并分析了多样性排名问题。我们表明，最佳多样性排名是NP-困难的一般情况下，一个恒定的时间近似是不可能的。
2011-07-08 cs.GT cs.IR
Compact Token Representations with Contextual Quantization for Efficient Document Re-ranking
基于Transformer的重排序模型可以通过上下文感知的查询令牌与文档令牌的软匹配来实现高搜索相关性。为了减轻运行时的复杂性，这样的推理，以前的工作已经采用了一个后期的互动架构与预先计算的上下文令牌表示的成本一个大的在线存储。本文提出了上下文量化的令牌嵌入解耦的文档特定的和文档无关的排名的贡献，在基于码本的压缩。这允许有效的在线解压缩和嵌入组合，以获得更好的搜索相关性。本文提出了一个评估上述紧凑的令牌表示模型的相关性和空间效率。
2022-03-29 cs.IR
Single Stage Prediction with Embedded Topic Modeling of Online Reviews for Mobile App Management
移动应用程序是移动数字经济的基石之一。移动应用与传统企业软件的一个区别特征是在线评论，在线评论可以在应用市场上获得，是消费者对应用反馈的宝贵来源。我们为应用开发人员创建了一个有监督的主题建模方法，以使用移动评论作为质量和客户反馈的有用来源，从而补充传统的软件测试。该方法是基于一个约束矩阵分解，利用词频和一个给定的响应变量之间的关系，除了条款之间的同现恢复主题，都是预测消费者的情绪和有用的理解底层的文本主题。因子分解与有序回归相结合，以提供关于单个应用性能的在线评论的指导，并随着时间的推移系统地比较不同的应用，以确定功能和消费者情绪的基准。我们应用我们的方法，使用超过100，000移动评论的数据集，这些评论来自iTunes和Google Play市场的三个最受欢迎的在线旅行社应用程序。
2018-02-19 cs.IR cs.SE stat.AP
Rethinking the Role of Pre-ranking in Large-scale E-Commerce Searching System
本文重新审视电商搜索系统中预排序的角色，提出与在线A/B测试一致的无序集合评估指标ASH及多目标学习框架ASMOL，显著提升了预排序效果并实现1.2%的GMV增长。
2023-05-23 cs.IR
Scalable Exploration for Neural Online Learning to Rank with Perturbed Feedback
深度神经网络（DNN）在提高检索任务的排名性能方面表现出显着的优势。在DNN优化和泛化的最新技术发展的推动下，通过与用户的交互在线学习神经排名模型成为可能。然而，模型学习所需的探索必须在整个神经网络参数空间中进行，这是非常昂贵的，并限制了这种在线解决方案在实践中的应用。在这项工作中，我们提出了一个有效的探索策略在线交互式神经排名学习的基础上的自举的想法。我们的解决方案采用了一个整体的排名模型训练扰动用户点击反馈。所提出的方法消除了显式置信集构造和相关的计算开销，这使得在线神经排序器的训练在实践中能够在理论保证下有效地执行。在两个公共学习排序基准数据集上与一系列最先进的OL2R算法进行了广泛的比较，证明了我们提出的神经OL2R解决方案的有效性和计算效率。
2022-09-25 cs.IR
A Hybrid Cross-Stage Coordination Pre-ranking Model for Online Recommendation Systems
JD.com, Inc（京东公司）
针对预排序仅对齐下游导致的样本选择偏差问题，提出HCCP模型，融合召回、排序与重排序信息，并通过混合样本构建和Margin InfoNCE优化提升跨阶段协同及在线指标。
2025-02-14 cs.AI cs.IR
PCDF: A Parallel-Computing Distributed Framework for Sponsored Search Advertising Serving
本文提出并行计算分布式框架PCDF，将赞助搜索广告排序拆分为并行预模块、排序中模块和结合自然搜索结果的重排序后模块，以降低推理延迟并支持端到端在线训练。
2023-08-08 cs.IR
Learning Neural Ranking Models Online from Implicit User Feedback
University of Virginia（弗吉尼亚大学）
现有的在线学习排序（OL 2 R）解决方案仅限于线性模型，这是不足以捕捉查询和文档之间可能的非线性关系。在这项工作中，为了释放OL 2 R中表示学习的力量，我们提出直接从用户的隐式反馈（例如，点击）在飞行中收集。我们专注于RankNet和LambdaRank，由于它们在离线设置中的巨大经验成功和广泛采用，并基于使用神经切线核的神经网络的收敛分析来控制臭名昭著的探索-利用权衡。具体而言，在每轮结果服务中，仅对两个文档之间的预测排名顺序不确定的文档对进行探索;否则，将在结果排名中遵循排名器的预测顺序。我们证明了在标准假设下，我们的OL 2 R解决方案实现了间隙依赖的遗憾上限$O(\log^2(T))$，其中的遗憾是定义在$T$轮的错序对的总数。在两个公共学习排序基准数据集上对一组广泛的最先进的OL 2 R基线进行比较，证明了所提出的解决方案的有效性。
2022-01-17 cs.IR cs.LG
Fast online ranking with fairness of exposure
Meta AI
随着推荐系统在对在线内容进行分类和优先级排序方面变得越来越重要，它们对商品生产商的机会或收入产生了越来越大的影响。例如，他们会影响简历推荐给哪个招聘人员，或者音乐曲目、视频或新闻文章被曝光给谁和曝光多少。这就要求推荐方法不仅要最大化用户满意度，而且要考虑项目或项目组曝光的公平性。形式上，这样的建议通常是通过最大化随机排名空间中的凹目标函数来获得的。当一个项目的总曝光量被定义为它在用户上的曝光量之和时，每个用户的最佳排名变得耦合，这使得优化过程具有挑战性。找到这些排名的现有方法或者解决批处理设置中的全局优化问题，即，这使得它们不适用于大规模，或者基于具有弱理论保证的物理学。在本文中，我们提出了第一个有效的在线算法，以优化凹目标函数的空间中的排名，适用于每一个凹和光滑的目标函数，如发现公平的曝光。基于Frank-Wolfe算法的在线变体，我们证明了我们的算法计算速度快，实时生成排名，计算成本由排序操作主导，内存效率高，并且具有很强的理论保证。与只最大化用户端性能的基线策略相比，我们的算法允许将复杂的公平性暴露标准与可忽略不计的计算开销的建议。
2022-09-13 cs.AI cs.CY cs.IR
Online Article Ranking as a Constrained, Dynamic, Multi-Objective Optimization Problem
University of Pittsburgh（匹兹堡大学）；Yahoo! Research（雅虎研究院）；Airbnb（爱彼迎）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
社交新闻网站中的内容排名问题通常是最大化感兴趣的标量度量（如停留时间）的函数。然而，就像在大多数现实世界的应用程序中一样，我们对多个指标感兴趣-例如同时最大化点击率，货币化指标，停留时间-并满足对不同发布者的流量要求。所有这些都需要在在线数据上完成，并且在目标函数和约束可以动态变化的设置下进行;如果例如添加新的发布者，调整某些合同，或者某些合同结束，则可能会发生这种情况。在本文中，我们制定这个问题作为一个约束，动态，多目标优化问题。我们提出了一个新的框架，扩展了一个成功的遗传优化算法，NSGA-II，来解决这个在线的，数据驱动的问题。我们设计的NSGA-II的模块，以适应我们的问题。我们使用HyperVolume评估优化性能，并引入置信区间指标来评估解决方案的实用性。我们展示了这个框架在现实世界的文章排名问题上的应用。我们观察到，我们在时间和性能上都比目前生产中的蛮力基线技术有了相当大的改进。
2017-05-16 cs.AI cs.IR
RankTower: A Synergistic Framework for Enhancing Two-Tower Pre-Ranking Model
RankTower提出一种协同双塔预排序框架，通过混合训练目标从级联全阶段学习，在保持解耦推理效率的同时提升排序能力，在公共数据集上显著优于现有模型。
2024-07-17 cs.IR
One Hierarchy, Two Systems: Semantic Product IDs for Discovery-Surface Ranking and Search-Page Query Reformulation
DoorDash Inc.（多 Dash 公司）
本研究提出单一语义产品层级\textit{\texttt{sid}}，分别用于电商发现面排序与搜索页查询改写，经离线及在线实验验证，可提升排序相关性、加购参与度及查询意图保留等性能。
2026-08-24 cs.AI cs.IR
Faceted Ranking of Egos in Collaborative Tagging Systems
多媒体上传的内容被标记并由协作系统的用户推荐，从而产生非正式的分类，也称为大众分类。分面网络排名已被证明是一个合理的替代单一的排名，不考虑个性化的背景。在本文中，我们分析了与多个标签组成的方面相关的用户排名的在线计算。可能的应用是用户信誉评估（自我排名）和改进的内容质量的情况下检索。我们提出了一种基于PageRank作为中心性度量的解决方案：（i）基于相应的标签依赖子图离线计算每个标签的排名;（ii）通过合并面中所有标签对应的排名来生成面顺序。通过经验观察验证的基本假设是步骤（i）是可扩展的。我们还提出了算法的部分（ii）具有时间复杂度O（k），其中k是在方面的标签的数量，非常适合于在线计算。
2008-09-26 cs.IR
MediaRank: Computational Ranking of Online News Sources
在当前的政治气候下，新闻质量问题引起了公众和学术界的广泛关注。对传统新闻媒体日益增长的不信任使得人们更难找到一个公认真理的共同基础。在这项工作中，我们设计并构建了MediaRank（www.example.com），这是一个全自动的系统，可以对全球50，000多个在线新闻源进行排名。MediaRank每天收集和分析100万个新闻网页和200万条相关推文。我们的算法分析基于记者已经建立的与报道质量相关的四个属性：同行声誉，报道偏见/广度，底线财务压力和受欢迎程度。我们对这份文件的主要贡献包括：（i）对世界上50，000多个主要新闻来源进行公开、可解释的质量排名。我们的排名是根据35个已发布的新闻排名进行验证的，包括法语，德语，俄语和西班牙语来源。MediaRank得分与35个专家排名中的34个呈正相关。(ii)测量影响和底线压力的新计算方法。据我们所知，我们是第一个对大型新闻报道引文图进行深入研究的。我们还提出了衡量广告攻击性和识别社交机器人的新方法，在这两种不良行为之间建立了联系。(iii)分析了媒体来源偏差和显著性的影响。我们证明，新闻来源引用他人，尽管不同的政治观点，符合质量的措施。然而，在四个英语国家（美国、英国、加拿大和澳大利亚），排名最高的消息来源都不成比例地支持左翼政党，即使大多数新闻来源都表现出保守倾向。
2019-05-12 cs.IR cs.SI
Optimizing Ranking Models in an Online Setting
在线学习排名（OLTR）方法通过直接与用户交互来优化排名模型，这使得它们非常高效和响应迅速。在过去十年中引入的所有OLTR方法都是在原始OLTR方法的基础上扩展的：决斗强盗梯度下降（DBGD）。最近，引入了一种根本不同的方法，即成对可微梯度下降（PDGD）算法。到目前为止，这两种方法的比较仅限于级联点击模型和低噪声水平的模拟。到目前为止的主要成果是PDGD收敛于更高的性能水平，并且比基于DBGD的方法学习得更快。然而，PDGD算法假设级联用户行为，潜在地给予其不公平的优势。此外，这两种方法对高水平噪声的鲁棒性尚未研究。因此，目前尚不清楚所报道的PDGD优于DBGD的优点是否适用于不同的实验条件。在本文中，我们调查是否以前的结论PDGD和DBGD比较推广从理想的最坏情况下。我们以两种方式这样做。首先，我们比较PDGD和DBGD的理论属性，通过在排名的背景下，在以前证明的属性进行批判性的研究。其次，我们通过模拟理想的用户行为和非常困难的行为来估计方法性能的上限和下限，即，几乎随机的非级联用户模型。我们的研究结果表明，DBGD的理论界不适用于任何常见的排名模型，而且，DBGD的性能是大大不如PDGD在理想和最坏的情况下。这些结果再现了先前发表的研究结果的相对性能PDGD与DBGD和推广他们非常嘈杂和非级联的情况下。
2019-01-29 cs.IR
Privacy-Preserving Fair Item Ranking
世界各地的用户每天都以排名的形式访问大量的精选数据。人们已经研究了这种容易获得的社会影响，并努力提出和实施各种公平排名的概念。当前用于公平项目排名的计算方法依赖于向集中式服务器公开用户数据，这引起了用户的隐私问题。这项工作是第一个推进研究的结合生产者（项目）的公平性和消费者（用户）的隐私排名通过探索纳入隐私保护技术，特别是，差分隐私和安全的多方计算。我们的工作扩展的公平摊销注意力排名机制的隐私保护，我们评估其效果的隐私，公平性和排名质量。我们使用真实世界数据集的结果表明，我们能够有效地保护用户的隐私，减轻项目的不公平性，而不会对排名的质量做出额外的牺牲。
2023-03-06 cs.CR cs.CY cs.IR
P-MMF: Provider Max-min Fairness Re-ranking in Recommender System
在本文中，我们解决的问题，推荐公平地从供应商的角度，这已成为越来越重要的多利益相关者推荐系统。现有的研究提供者公平性通常集中在设计比例公平性（PF）的指标，首先考虑系统的公平性。然而，社会学的研究表明，为了使市场更稳定，最大最小公平（MMF）是一个更好的度量。其主要原因是市场营销基金的目标是优先提高最差供应商的效用，引导系统支持处于弱势市场地位的供应商。在将MMF应用于推荐系统时，如何在在线推荐场景中平衡用户偏好和提供者公平性仍然是一个具有挑战性的问题。本文提出了一种基于供应商最大最小公平性的在线重排序模型P-MMF。具体而言，P-MMF将提供商公平推荐公式化为资源分配问题，其中暴露时隙被认为是要分配给提供商的资源，并且在过程期间使用最大-最小公平性作为正则化器。我们表明，该问题可以进一步表示为一个正则化的在线优化问题，并有效地解决其对偶空间。在在线重排序阶段，设计了动量梯度下降方法进行动态重排序。理论分析表明，P-MMF的后悔是有界的。在四个公共推荐数据集上的实验结果表明，P-MMF可以优于最先进的基线。实验结果还表明，P-MMF可以保持小的计算成本的语料库与大量的项目。
2023-03-12 cs.IR
An Empirical Study of Uniform-Architecture Knowledge Distillation in Document Ranking
基于BERT的排序模型在商业搜索引擎中得到了广泛的应用，但对于在线排序任务来说，它们通常是耗时的。知识蒸馏是一种减少在线推理延迟的常用策略，其目的是学习性能与较大模型相当的较小模型。在本文中，我们研究了不同的损失函数的均匀结构蒸馏的BERT排序模型的效果。这里的“统一架构”表示教师和学生模型都在交叉编码器架构中，而学生模型包括小规模的预训练语言模型。我们的实验结果表明，排序任务的最佳蒸馏配置与一般的自然语言处理任务有很大的不同。具体而言，当学生模型处于交叉编码器架构中时，成对丢失硬标签对于训练学生模型至关重要，而中间Transformer层的蒸馏目标可能会损害性能。这些发现强调了仔细设计一个蒸馏策略（交叉编码器的学生模型）的必要性，为文档排序与成对训练样本量身定制。
2023-02-08 cs.IR
UNDR: User-Needs-Driven Ranking of Products in E-Commerce
在线零售商通常会提供大量的产品供客户筛选和浏览。产品列出的顺序取决于在线商店中采用的排名算法。最先进的排名方法是复杂的，并利用许多不同的信息，例如，用户查询和意图、产品属性、流行度、新近度、评论或购买。然而，包含用户生成的数据（如点击数据、用户评级或评论）的方法不利于尚未被客户评级的新产品。因此，我们提出了用户需求驱动的排名（UNDR）的方法，占明确的客户需求，通过使用方面的流行度和方面的价值流行度。作为一种以用户为中心的方法，不依赖于购买后的评级或评论，我们的方法绕过了冷启动问题，同时仍然反映了普通客户的需求。在两个初步的用户研究中，我们将我们的排名方法与基于评级的排名基线进行了比较。我们的研究结果表明，我们提出的方法产生的排名，适合当前客户的需求显着优于基线。然而，更细粒度的使用特定排名并没有进一步提高排名。
2023-02-13 cs.IR
Intuition First or Reflection Before Judgment? The Impact of Evaluation Sequence on Consumer Ratings
Renmin University of China（中国人民大学）
本研究探讨了评估顺序对消费者评分的影响，发现'评分优先'顺序在高质量服务情境中提高评分，而在低质量情境中降低评分，揭示了情感启发式和认知努力的中介机制。
2026-03-10 cs.CY cs.HC cs.IR
Ranking users, papers and authors in online scientific communities
提出一种在在线科学社区中同时评估用户声誉、论文质量并纳入作者信用的排名方法，实验表明其选出的论文引用更高、作者 h 指数更优。
2014-05-09 cs.DL cs.IR cs.SI
Enhancing Travel Decision-Making: A Contrastive Learning Approach for Personalized Review Rankings in Accommodations
本文提出基于对比学习的个性化住宿评论排序方法，并构建超两百万条真实评论数据集，实验证明其优于多个基线，可推广至电商等领域。
2024-06-30 cs.IR cs.LG
Do Not Wait: Learning Re-Ranking Model Without User Feedback At Serving Time in E-Commerce
Alibaba Group（阿里巴巴集团）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Information, Renmin University of China（中国人民大学信息学院）
针对电商重排序在线学习依赖延迟用户反馈的问题，提出服务时学习方法LAST，用替代模型提供指导信号、按请求临时修改模型，可无缝集成现有系统，性能优于SOTA重排序模型。
2024-06-20 cs.IR cs.LG
FEL: High Capacity Learning for Recommendation and Ranking via Federated Ensemble Learning
Meta
联邦学习（FL）已经成为解决消费者隐私需求的有效方法。FL已成功应用于某些机器学习任务，例如训练智能键盘模型和关键字识别。尽管FL取得了初步成功，但许多重要的深度学习用例，如排名和推荐任务，都受到了设备上学习的限制。基于DL的排名和推荐的实际FL采用所面临的关键挑战之一是现代移动系统无法满足的禁止性资源要求。我们提出联合包围学习（FEL）作为解决方案，以解决深度学习排名和推荐任务的大内存需求。FEL通过在不相交的客户端设备集群上同时训练多个模型版本，实现了设备上的大规模排名和推荐模型训练。FEL通过over-arch层将训练的子模型集成到服务器上托管的集成模型中。我们的实验表明，与传统的设备上联邦学习相比，FEL导致模型质量提高了0.43-2.31%-这对于排名和推荐系统用例来说是一个显着的改进。
2022-06-07 cs.IR cs.LG
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
Generative Pseudo-Labeling for Pre-Ranking with LLMs
Alibaba Group（阿里巴巴集团）；Renmin University（中国人民大学）
研究工业推荐系统预排序中训练与服务差异问题，提出生成式伪标签框架GPL，利用语言模型为未曝光物品生成无偏伪标签，提升点击率、推荐多样性和长尾物品发现。
2026-07-07 cs.CL cs.IR
Ranking the locations and predicting future crime occurrence by retrieving news from different Bangla online newspapers
Shahjalal University of Science and Technology（沙赫贾拉勒科技大学）
针对地方犯罪统计数据不足的问题，提出通过爬取孟加拉语在线报纸数据，结合词干提取、位置查找、余弦相似度、朴素贝叶斯和自定义模型，实现犯罪地点排名、地图定位与未来犯罪预测。
2023-05-18 cs.CY cs.IR cs.LG
