Personalized Review Ranking for Improving Shopper's Decision Making: A Term Frequency based Approach
用户生成的评论是购物者决策过程中的重要参考。此外,它们还提高了产品销售,并验证了整个网站的声誉。因此,设计评论排名方法来帮助购物者快速做出明智的决定变得非常重要。然而,评论排名有其独特的挑战。首先,评论没有相关性标签。对购物者A的相关评论可能与购物者B无关。其次,由于购物者无法点击评论,我们无法获得相关反馈。最后,评论排名由于不同用户的相关性标准的可变性而缺乏基础事实。在本文中,我们的目标是解决帮助用户从客户评论的海洋中找到他们可能感兴趣的信息的挑战。使用UCSD收集和组织的Amazon Customer Reviews Dataset,我们首先根据用户的个人网络跟踪、最近的购物历史和以前的评论构建了用户简档,将用户简档纳入我们的排名算法,并将较高的排名分配给最大程度地解决个人购物者关注的评论。此外,我们利用用户简档来根据评论文本推荐产品。我们评估了我们的模型的基础上的经验评估和数值评估的审查分数。两种评估方法的结果显示,1000多种产品的顶级评论质量和用户满意度都有显着提高。我们的基于评论的推荐系统也表明,用户很有可能观看并喜欢我们推荐的产品。我们的工作展示了开发一种从特定最终用户的偏好中学习的排名方法的基本步骤。
2020-09-07 cs.IR
Integrating Reviews into Personalized Ranking for Cold Start Recommendation
Hong Kong University of Science and Technology(香港科技大学);Nanjing University(南京大学)
项目推荐任务为每个用户预测一组项目的个性化排名。一个范例是基于评级的方法,专注于明确的反馈,因此面临着收集他们的困难。同时,提出了基于评分的方法,对评分后的项目进行排序。这种模式利用了广泛存在的内隐反馈。然而,它通常忽略了一种重要的信息:项目评论。项目审查不仅证明了用户的偏好,而且还有助于减轻冷启动问题,失败的协同过滤。在本文中,我们提出了两个新颖而简单的模型,将项目评论贝叶斯个性化排名。在每个模型中,我们使用词嵌入从项目评论中提取的文本特征。在文本特征之上,我们发现了解释用户反馈变化的评论维度,这些评论因素代表了用户的优先偏好。在六个真实数据集上的实验显示了利用项目评论进行排名预测的好处。我们还进行分析,以了解所提出的模型。
2018-12-05 cs.AI cs.CL cs.IR
Integrating Rankings into Quantized Scores in Peer Review
在同行评议中,审稿人通常会被要求提供论文的评分。然后,这些分数由地区主席或项目主席在决策过程中以各种方式使用。分数通常以量化的形式得出,以适应人类有限的认知能力,以数值描述他们的意见。已经发现,量化的分数遭受大量的领带,从而导致信息的显着损失。为了缓解这个问题,会议已经开始要求审稿人额外提供他们评审的论文的排名。然而,有两个关键挑战。首先,没有使用这种排名信息的标准程序,地区主席可以以不同的方式使用它(包括干脆忽略它们),从而导致同行审查过程中的任意性。其次,没有适当的接口来明智地使用这些数据,也没有将其纳入现有工作流程的方法,从而导致效率低下。我们采取原则性的方法将排名信息整合到分数中。我们的方法的输出是一个更新的分数有关的每一个审查,也包括排名。我们的方法通过以下方式解决了上述两个挑战:(i)确保排名以相同的方式纳入所有论文的更新分数,从而减少任意性,以及(ii)允许无缝使用为分数设计的现有界面和工作流程。我们对合成数据集以及ICLR 2017会议的同行评审进行了经验评估,发现与ICLR 2017数据的最佳基线相比,它将误差减少了约30%。
2022-04-05 cs.IR stat.ME
RLPO: Residual Listwise Preference Optimization for Long-Context Review Ranking
Nanyang Technological University(南洋理工大学);Peking University(北京大学);Independent Researcher(独立研究员)
本文提出RLPO,通过残差列表级优化提升长上下文评论排序,解决传统方法在长上下文下的效率与准确性矛盾,实验显示其在NDCG@k上优于基线方法。
2026-04-16 cs.AI cs.IR
Answer Ranking for Product-Related Questions via Multiple Semantic Relations Modeling
许多电子商务网站现在提供特定产品的问答平台,供用户在网上购物时通过发布和回答问题来相互交流。然而,普通用户提供的多个答案通常在质量上变化很大,因此需要为每个问题适当地排名以提高用户满意度。可以观察到,产品评论通常为给定的问题提供有用的信息,因此可以帮助排名过程。在本文中,我们研究了产品相关问题的答案排名问题,与相关的评论作为辅助信息,可用于促进排名。我们提出了一个名为MUSE的答案排名模型,它仔细地模拟了问题,答案和相关评论之间的多种语义关系。具体来说,MUSE以问题、每个答案和每个评论片段为节点构建了一个多语义关系图。然后设计了一个定制的图卷积神经网络,用于显式建模问题和答案之间的语义相关性,答案之间的内容一致性,以及答案和评论之间的文本蕴涵。在三个产品类别的真实电子商务数据集上进行的大量实验表明,我们提出的模型在相关答案排名任务上取得了优异的性能。
2020-06-28 cs.IR
Mirror Matching: Document Matching Approach in Seed-driven Document Ranking for Medical Systematic Reviews
School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院)
当医学研究人员进行系统评价(SR)时,筛选研究是最耗时的过程:研究人员阅读了数千篇医学文献,并手动标记它们相关或不相关。筛选优先级(即,文档排序)是一种通过提供其中相关文档的排序高于不相关文档的文档排序来帮助研究人员的方法。种子驱动的文档排序(SDR)使用已知的相关文档(即,种子)作为查询并生成这样的排名。以前的工作SDR寻求方法来确定不同的术语权重在查询文档中,并利用它们在检索模型计算排名分数。或者,我们制定的SDR任务,寻找类似的文件查询文件,并产生排名的基础上的相似性分数。我们提出了一种名为镜像匹配的文档匹配度量,它通过将常见的写作模式,如背景,方法,结果和结论,以顺序计算医学摘要文本之间的匹配分数。我们在CLEF 2019 eHealth Task 2 TAR数据集上进行了实验,实验结果表明,这种简单的方法在平均精度和精度指标上比传统和神经检索模型实现了更高的性能。
2021-12-28 cs.CL 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
Towards Reducing Manual Workload in Technology-Assisted Reviews: Estimating Ranking Performance
School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院)
进行系统评价(SR)包括多项任务:(i)从数字图书馆(例如,PubMed),(ii)手动阅读和标记的文件相关或不相关的,(iii)从相关的研究中提取信息,和(iv)分析和综合的信息,并得出SR的结论。当研究人员标签的研究,他们可以筛选排名的文件,相关的文件高于不相关的。这种做法,被称为筛选优先级(即,文档排序方法),加快了执行SR的过程,因为标记为相关的文档可以更早地移动到下一个任务。然而,这种方法在减少人工工作量方面是有限的,因为要筛选的文件总数保持不变。为了减少筛选过程中的人工工作量,我们调查了SR的文档排序的质量。这可以指示研究者在排序中相关研究的位置,让他们决定在哪里停止筛选。经过广泛的分析SR文档排序从不同的排名模型,我们假设“主题广度”作为一个因素,影响SR的排名质量。最后,我们提出了一个措施,估计主题广度,并证明该措施是一个简单而有效的方法来预测SR的文档排序的质量。
2022-01-14 cs.CL 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
Neural Rankers for Effective Screening Prioritisation in Medical Systematic Review Literature Search
University of Queensland(昆士兰大学);Leipzig University(莱比锡大学);CSIRO(联邦科学与工业研究组织)
医学系统性综述通常需要评估通过检索检索到的所有文件。原因有二:任务的目标是"全面召回“;使用布尔搜索检索的文档是一个无序集合,因此不清楚评估员如何仅检查一个子集。筛选优先级是对检索到的(无序)文档集进行排序的过程,允许评估人员更早地开始系统性综述创建的下游过程,从而更早地完成综述,甚至避免筛选相关性最低的文档。筛选优先级需要高效的排序方法。预训练的语言模型在许多IR任务中是最先进的,但尚未应用于系统综述筛选优先级。在本文中,我们将几个预先训练的语言模型应用于系统综述文档排序任务,包括直接和微调。一项实证分析比较了神经方法与传统方法在这项任务中的有效性。我们还研究了神经方法的不同类型的文档表示及其对排名性能的影响。我们的研究结果表明,基于BERT的排名优于目前最先进的筛选优先级方法。然而,BERT排序器和现有方法实际上可以是互补的,因此,如果结合使用,则可以实现进一步的改进。
2022-12-18 cs.AI cs.IR cs.LG
Product Review Image Ranking for Fashion E-commerce
Myntra Design Pvt Ltd(Myntra设计私人有限公司)
本文针对时尚电商中顾客评论图像排序问题,提出一种基于失真技术构造训练数据的简单有效排序方法,并在相关系数和准确率上显著优于基线模型。
2023-08-10 cs.CV cs.IR cs.LG
Seed-driven Document Ranking for Systematic Reviews: A Reproducibility Study
筛选或评估研究对系统评价的质量和结果至关重要。通常,布尔查询检索要筛选的研究集。由于检索到的研究是无序的,高质量的系统评价通常需要筛选所有检索到的研究。筛选优先级,或者换句话说,对研究集进行排序,使系统评价的下游活动能够平行开始。我们研究了一种方法,利用种子研究-潜在的相关研究用于种子查询制定过程-筛选优先级。我们的调查旨在重现这种方法,以确定它是否在最近发表的数据集上具有普适性,并确定使用多个种子研究对有效性的影响。我们表明,虽然我们可以重现原始方法,但我们无法完全复制其结果。然而,我们认为这是由于文件预处理方面的微小差异,而不是原始方法的缺陷。我们的研究结果还表明,我们的重现筛选优先级排序方法,(1)与原始实现相比,在相似和不同主题的数据集上是可推广的,(2)当使用多个种子研究时,使用我们的技术来实现这一点,该方法的有效性增加,(3)与单种子研究相比,使用多个种子研究产生更稳定的排名。最后,我们在以下URL公开了我们的实现和结果:https://github.com/ielab/sdr
2021-12-08 cs.IR
SalesLoop: Reinforcement Learning from Performance Feedback for Sales Lead Ranking
Li Auto Inc.(理想汽车公司)
研究针对CRM系统中线索排名模型离线精度高但生产中表现不佳的问题,提出SalesLoop强化学习框架,通过引入性能感知奖励和判别式GRPO,有效提升了排名指标,经生产测试验证有显著效果。
2026-07-24 cs.AI cs.IR cs.LG
From Language to Behavior: Scaling Sequence Transformers for Industrial Recommendation Ranking with Rec-Native Designs
ByteDance(字节跳动)
本研究针对工业推荐排序中行为序列建模的挑战,提出推荐原生Transformer框架ReST,通过双门控注意力等设计优化信号质量,分解排序结构解决计算不对称性,经测试提升广告平台AUC与核心收入指标并已部署生产。
2026-09-02 cs.AI cs.IR cs.LG
Closing the Auto-Research Loop: An AI Co-Scientist for Production Search Ranking
Trip.com Group(Trip.com集团);UCLA(加州大学洛杉矶分校)
提出AI合作科学家框架,通过LLM代理与云计算集成,自动迭代生成想法、实现代码、进行GPU实验并分析结果,在搜索排名任务中带来额外+0.083%离线增益。
2026-06-16 cs.AI cs.IR
Fair ranking: a critical review, challenges, and future directions
IIT Kharagpur(印度理工学院卡哈拉格普尔分校);L3S Research Center(L3S研究中心);Universitat Pompeu Fabra(庞培法布拉大学);Competition and Markets Authority(竞争与市场管理局);Accenture Plc(埃森哲公司);Zalando Research(Zalando研究);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Cornell Tech(康奈尔科技学院)
排名、推荐和检索系统广泛用于在线平台和其他社会系统,包括电子商务、媒体流、招生、演出平台和招聘。在最近的过去,围绕着使这些系统对被排名的个人、提供者或内容公平,已经开发了大量的“公平排名”研究文献。大多数文献定义了一个单一的检索实例的公平性,或作为一个简单的附加概念,随着时间的推移检索的多个实例。这项工作提供了一个关键的概述,这种文献,详细说明了这种方法错过的往往是特定于上下文的问题:高排名的位置和真正的供应商效用,溢出效应和复合效应随着时间的推移,诱导战略激励,统计不确定性的影响之间的差距。然后,我们为更全面和以影响为导向的公平排名研究议程提供了一条前进的道路,包括来自其他领域的方法学经验教训,以及更广泛的利益相关者社区在克服数据瓶颈和设计有效的监管环境方面的作用。
2022-01-29 cs.AI cs.GT cs.IR
Ranking Online Consumer Reviews
产品评论被张贴在网上数百甚至在一些受欢迎的产品数千.处理如此大量的连续生成的在线内容对于买家、卖家甚至研究人员来说都是一项具有挑战性的任务。这项研究的目的是排名的绝大多数评论使用他们的预测有用的分数。使用随机森林分类器和梯度提升回归器,使用从产品的评论文本数据、产品描述数据和客户问答数据中提取的特征来预测有用性分数。该系统通过随机森林分类器将评论分为低质量和高质量。高质量评论的有用性评分仅使用梯度提升回归量来预测。低质量评论的有用性分数不会被计算出来,因为它们永远不会进入前k个评论。它们只是被添加到评论列表的末尾。拟议的系统提供了公平的审查位置上的审查清单页,使所有高质量的审查可见的客户在顶部。来自两个流行的印度电子商务网站的数据的实验结果验证了我们的说法,因为3-4个新的高质量评论和5-6个基于评论有用性的旧评论被放置在前十名评论中。我们的研究结果表明,包括从产品描述数据和客户问答数据的功能,提高了预测准确性的有用性分数。
2019-01-17 cs.IR cs.NE
Multi-objective Ranking via Constrained Optimization
Amazon(亚马逊);University of Washington(华盛顿大学)
在本文中,我们介绍了一个增广拉格朗日为基础的方法,将多个目标(MO)的搜索排名算法。优化生产任务是建立生产排序模型的基本要求和现实要求。所提出的方法制定MO约束优化和解决问题的流行的Boosting框架-我们的工作的一个新的贡献。此外,我们提出了一个程序来设置所有的优化参数的问题。实验结果表明,该方法成功地实现了MO标准比现有的方法更有效。
2020-02-13 cs.IR cs.LG
Rankitect: Ranking Architecture Search Battling World-class Engineers at Meta Scale
Meta Platforms, Inc., USA(Meta平台公司)
Rankitect是Meta提出的排序系统神经架构搜索框架,从头组合构建块,在同等搜索空间下比较多种NAS方法,能发现优于工程师设计的新模型,并在离线评估和在线A/B测试中表现积极。
2023-11-14 cs.AI cs.IR cs.LG
Gryphon-v2: One Model in Place of a Cascade - Generate-and-Rank Recommender with Rollout Distillation
Yandex
Gryphon-v2是替代多阶段级联推荐系统的单一模型,采用生成排序架构与Rollout蒸馏技术,在Yandex Music的在线实验中使活跃用户增1.41%且服务延迟相当。
2026-08-07 cs.IR
Rethinking Personalized Ranking at Pinterest: An End-to-End Approach
Pinterest Inc.(Pinterest公司)
在这项工作中,我们提出了我们的旅程,通过端到端的学习,从原始用户的行动,彻底改变个性化的推荐引擎。我们将用户的长期兴趣编码在Pinner-Former中,Pinner-Former是一种通过新的密集所有动作损失为长期未来动作优化的用户嵌入,并通过直接从实时动作序列中学习来捕获用户的短期意图。我们进行了离线和在线实验,以验证新模型架构的性能,并解决了在生产中使用混合CPU/GPU设置服务如此复杂的模型的挑战。拟议的系统已部署在Pinterest的生产中,并在有机和广告应用程序中提供了显着的在线收益。
2022-09-18 cs.AI cs.IR cs.LG
Rank, Don't Generate: Statement-level Ranking for Explainable Recommendation
Sorbonne Université(索邦大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Air Liquide(液化空气集团);Université Paris-Saclay(巴黎萨克雷大学)
提出将可解释推荐形式化为语句级排序问题,通过从评论中提取解释性语句并排序,避免生成式幻觉,支持细粒度事实分析和标准化评估。
2026-06-26 cs.IR
AutoML for Large Capacity Modeling of Meta's Ranking Systems
Meta Platforms Inc., USA(Meta平台公司)
针对Meta大规模排名系统,提出基于采样的AutoML方法,结合轻量级预测器和强化学习,以少量评估实现超越人工基线的性能,已在生产中获得显著增益。
2023-11-16 cs.AI cs.IR
An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking
LinkedIn(领英)
提出基于Transformer的序列排序模型Feed SR,在满足严格生产约束下替代DCNv2排序器,在12亿成员规模上部署,在线A/B测试显著提升用户参与度。
2026-09-17 cs.IR
Movie Recommendation System using Composite Ranking
在当今世界,丰富的数字内容,如电子书,电影,视频和文章可供消费。回顾所有可访问的内容并决定下一步看什么是令人生畏的。因此,数字媒体提供商希望利用这种混乱并解决它,以增加用户参与度,最终带来更高的收入。内容提供方经常利用推荐系统作为对抗这种信息过载的有效方法。本文致力于开发一种综合的方法来推荐电影。传统上,电影推荐系统使用协同过滤,其利用用户与媒体的交互,或者基于内容的过滤,其利用电影的可用元数据。技术进步还引入了一种将两种系统集成在一起的混合技术。然而,我们的方法只处理基于内容的建议,进一步加强它与排名算法的基础上内容相似性指标。有助于排名的三个指标是元数据的相似性,视觉内容和电影的用户评论。我们使用文本矢量化,然后对元数据进行余弦相似性,通过预训练的VGG 19进行特征提取,然后对视觉内容进行K均值聚类,并对用户评论进行情感比较。这样的系统允许观众知道“感觉”相同的电影。
2022-12-05 cs.IR cs.MM
LiRank: Industrial Large Scale Ranking Models at LinkedIn
LinkedIn(领英)
本文提出 LinkedIn 的大规模排序框架 LiRank,通过 Residual DCN、Dense Gating、Transformers 等架构改进及量化压缩技术,在 Feed、职位推荐和广告 CTR 场景中实现显著指标提升。
2024-08-07 cs.AI cs.IR cs.LG
OneModel: A Unified Foundation for Platform-Scale Multi-Scenario Ranking
Xiaohongshu(小红书)
该研究针对平台级多业务流推荐系统的割裂问题,提出OneModel统一框架,在小红书部署后多场景指标均获提升,验证了统一多流排序的有效性。
2026-08-21 cs.IR
LLM-Based Re-Ranking for Real Estate Search
QuintoAndar;Growthloop
针对拉丁美洲住房市场搜索难题及用户期望变化,提出基于大语言模型的重排器,依用户对话意图重排候选房源,构建评估数据集并验证,提升了搜索重排质量。
2026-07-20 cs.IR
A Gated Hybrid Contrastive Collaborative Filtering Recommendation
Institute of Computing, Federal University of Bahia(巴伊亚联邦大学计算学院);Department of Electrical and Computer Engineering, Western University(西方大学电气与计算机工程系)
本文提出基于门控混合对比学习的协同过滤框架,通过整合文本评价表示提升推荐排名质量,实验表明在Amazon Movies & TV、IMDb和Rotten Tomatoes数据集上有效提升了Top-10命中率和NDCG@10指标。
2026-04-29 cs.AI cs.IR
Semantic Models for the First-stage Retrieval: A Comprehensive Review
多阶段排序管道已经成为现代搜索系统中的一种实用解决方案,其中第一阶段检索是返回候选文档的子集,并且后面的阶段尝试重新排序这些候选者。与过去几十年中经历快速技术转变的重新排序阶段不同,第一阶段检索长期以来一直由经典的基于术语的模型主导。不幸的是,这些模型遭受词汇不匹配的问题,这可能会阻止重新排序阶段从相关的文件在一开始。因此,长期以来,人们一直希望为第一阶段的检索,可以实现高召回率的语义模型。近年来,人们对第一阶段语义检索模型的研究呈爆炸式增长。我们认为,现在是调查现状、借鉴现有方法并为未来发展提供一些见解的正确时机。在本文中,我们描述了目前的景观的第一阶段检索模型在一个统一的框架下,澄清经典的基于术语的检索方法,早期的语义检索方法和神经语义检索方法之间的联系。此外,我们确定了一些开放的挑战,并设想了一些未来的方向,希望能激发更多的研究,这些重要的,但很少调查的主题。
2021-09-17 cs.IR
Robust reputation-based ranking on multipartite rating networks
在线评论、评级和意见的传播及其对人们行为和决策的日益增长的影响,提高了人们从这些数据洪流中提取有意义信息的兴趣。因此,众包的产品和服务评级在企业、政府和其他方面发挥了关键作用。我们提出了一个新的基于声誉的排名系统,利用多部评级子网络,聚类用户的相似性,使用柯尔莫哥洛夫复杂性。我们的系统是新颖的,因为它反映了意见/偏好的多样性分配可能不同的排名,为同一个项目,为不同的用户群。我们证明了该系统的收敛性和效率,并表明它能更好地应对垃圾邮件/虚假用户,它比最先进的方法更强大的攻击。
2017-05-02 cs.HC cs.IR cs.SI
End-to-End Neural Ranking for eCommerce Product Search: an application of task models and textual embeddings
我们考虑的问题,检索和排名的电子商务目录中的项目,通常被称为SKU,为了相关的用户发出的查询。用于排序的输入数据是查询的文本和目录中索引的SKU的文本字段。我们审查的方式,这个问题既相似又不同的问题,IR在网络搜索的背景下。产品搜索问题和网络搜索的IR问题之间的差异需要在模型和数据集方面采用不同的方法。我们首先回顾了最近的国家的最先进的网络搜索IR模型,区分两种不同类型的模型,我们称之为分布式和本地交互型。不同类型的相关性模型开发的IR有互补的优点和缺点时,应用于电子商务产品搜索。此外,我们解释了为什么在IR文献中使用的数据集构建的传统方法无法产生足以用于电子商务产品搜索模型的训练或评估的数据。我们解释了我们自己的方法,将任务建模技术应用于电子商务网站的点击日志,可以构建一个大规模的数据集,用于相关性模型的训练和鲁棒基准测试。我们的实验包括将IR文献中的几个模型应用于我们自己的数据集。根据经验,我们已经确定,当应用于我们的数据集时,与基线tf-idf相比,某些局部交互类型的模型将排名错误减少了三分之一。应用于我们的数据集,分布式模型未能超越基线。作为部署系统的基础,分布式模型在计算上比本地交互模型有几个优点。这激发了一个正在进行的工作计划,我们在论文的结尾处概述了这个计划。
2018-06-19 cs.IR
MultiSlot ReRanker: A Generic Model-based Re-Ranking Framework in Recommendation Systems
LinkedIn(领英);Google(谷歌)
本文提出通用多目标重排序框架 MultiSlot ReRanker,通过顺序贪心算法和帕累托最优实现相关性、多样性与新鲜度的联合优化,并构建可配置模拟器以高效评估不同学习算法。
2024-01-11 cs.AI cs.IR
Ranking in evolving complex networks
复杂网络作为一个简单而强大的框架已经出现,用于表示和分析各种各样的复杂系统。对复杂网络中的节点和边进行排序的问题对于一系列现实问题至关重要,因为它影响到我们如何访问在线信息和产品,如何评估人类活动中的成功和人才,以及公司和政策制定者如何分配稀缺资源等。这就需要深入了解现有的排名算法是如何执行的,以及它们可能存在哪些偏差,这些偏差可能会影响它们的有效性。成熟的排名算法(如流行的Google的PageRank)本质上是静态的,因此,当应用于快速发展的真实网络时,它们表现出重要的缺点。最近的进展,在不断发展的网络的理解和建模,使广泛和多样化的排名算法,考虑到时间维度的发展。这篇综述的目的是调查现有的排名算法,静态和时间感知,以及它们在不断发展的网络中的应用。我们强调网络演化对成熟的静态算法的影响,以及包括实时网络流量预测,未来链路预测和高度重要节点识别等任务的时间维度的好处。
2017-04-26 cs.DL cs.IR cs.SI