首页/论文/1909.02768

arXiv 1909.027682019-09-06cs.IRcs.LGstat.ML

基于神经网络的两两学习排序：重构、理论分析与实际性能

Pairwise Learning to Rank by Neural Networks Revisited: Reconstruction, Theoretical Analysis and Practical Performance

Johannes Gutenberg-Universität Mainz（美因茨约翰内斯·古腾堡大学）；University of Birmingham（伯明翰大学）

Marius Köppel, Alexander Segner, Martin Wagener, Lukas Pensel, Andreas Karwath, Stefan Kramer

备注：: 16 pages, 8 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们提出了一个成对的学习排序方法的基础上的神经网络，称为DirectRanker，概括的RankNet架构。我们在数学上证明了我们的模型是自反的，反对称的，并且是传递的，允许简化训练和提高性能。在LETOR MSLR-WEB 10 K、MQ 2007和MQ 2008数据集上的实验结果表明，我们的模型优于许多最先进的方法，同时在结构上更简单，并且只使用成对方法。

英文摘要：

We present a pairwise learning to rank approach based on a neural net, called DirectRanker, that generalizes the RankNet architecture. We show mathematically that our model is reflexive, antisymmetric, and transitive allowing for simplified training and improved performance. Experimental results on the LETOR MSLR-WEB10K, MQ2007 and MQ2008 datasets show that our model outperforms numerous state-of-the-art methods, while being inherently simpler in structure and using a pairwise approach only.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

深度成对学习排序搜索自动完成

Deep Pairwise Learning To Rank For Search Autocomplete

Amazon Search（亚马逊搜索）

自动完成（又名“查询自动完成”，“AC”）建议根据客户键入的前缀进行完整查询。自动补全已经成为商业搜索引擎的核心功能。在本文中，我们提出了一种新的上下文感知的神经网络为基础的成对排序器（DeepPLTR），以提高AC排名，DeepPLTR利用上下文和行为特征，排名查询，通过最小化成对损失，基于一个完全连接的神经网络结构。与LambdaMART排名器相比，DeepPLTR在离线评估中显示出+3.90%的平均倒数排名（MRR）提升，并在亚马逊的在线A/B实验中产生了+0.06%（p < 0.1）的总销售价值（GMV）提升。

2021-12-22cs.IRcs.LG

PairRank：通过分治法进行在线成对学习排序

PairRank: Online Pairwise Learning to Rank by Divide-and-Conquer

University of Virginia（弗吉尼亚大学）；Walmart Labs（沃尔玛实验室）

在线学习排序（OL2R）通过直接优化排名器与用户的交互，消除了显式相关性注释的需要。然而，所需的探索驱使它远离离线学习排序的成功实践，这限制了OL2R的经验性能和实际适用性。在这项工作中，我们提出了估计成对学习排序模型在线。在每一轮中，根据模型对估计的成对排序顺序的置信度对候选文档进行划分和排序，并且仅对不确定的文档对执行探索，即，\emph{divide-and-conquer}。证明了直接定义在错序对数量上的后悔，它将在线解的理论收敛性与其预期的排序性能联系起来。在两个公共学习排序基准数据集上对大量OL2R基线进行比较，证明了所提出的解决方案的有效性。

2021-06-01cs.IRcs.LG

基于成对期望后悔的Push排序学习排序

Learning to Rank For Push Notifications Using Pairwise Expected Regret

Twitter（推特）

列表排序损失在推荐系统中得到了广泛的研究。然而，新的内容消费模式对排名方法提出了新的挑战。在这项工作中，我们有助于分析学习排序个性化的移动推送通知，并讨论了独特的挑战，这提出了传统的排名问题相比。为了解决这些挑战，我们引入了一种新的排名损失的基础上加权候选人之间的成对损失的预期遗憾误排序对。我们证明了所提出的方法可以优于以前的方法，无论是在模拟环境中，并在一个主要的社会网络的生产实验。

2022-01-19cs.IRcs.LG

基于Pareto成对排序的推荐系统公平性增强

Pareto Pairwise Ranking for Fairness Enhancement of Recommender Systems

学习排序自2010年左右引入以来，是一种有效的推荐方式。著名的算法，如贝叶斯个性化排名和协作少即是多过滤，在学术界和工业界都留下了深刻的影响。然而，大多数学习排序方法专注于提高技术准确性指标，如AUC，MRR和NDCG。推荐系统的其他评价指标，如公平性，直到最近几年才在很大程度上被忽视。本文提出了一种新的学习排序算法Pareto Pairwise Ranking。我们的灵感来自贝叶斯个性化排名和幂律分布的想法。我们表明，我们的算法是有竞争力的技术精度指标评估时，与其他算法。更重要的是，在我们的实验部分中，我们证明了Pareto Pairwise Ranking是最公平的算法，与其他9个当代算法相比。

2022-12-06cs.AIcs.IRcs.LG

高效的用于新闻推荐的逐点-成对学习排序方法

Efficient Pointwise-Pairwise Learning-to-Rank for News Recommendation

Amazon（亚马逊）；Zalando SE（扎兰多SE公司）

针对新闻推荐中逐点方法缺乏比较信息、成对方法计算昂贵的问题，提出一种整合逐点相关性预测与成对比较的可扩展框架，理论分析证明其性能提升条件，并在MIND和Adressa数据集上超越现有方法。

2024-09-26cs.IRcs.LG

无偏LambdaMART：一种无偏的两两学习排序算法

Unbiased LambdaMART: An Unbiased Pairwise Learning-to-Rank Algorithm

尽管点击数据在实践中广泛用于搜索系统，但到目前为止，固有的偏差（最显著的是位置偏差）阻止了其用于训练用于搜索的排名器，即，学习排序。最近，一些作者提出了新的技术称为“无偏学习排名”，它可以减少位置偏差和训练一个相对高性能的排名使用点击数据。大多数算法基于逆倾向加权（IPW）原理，首先估计每个位置处的点击偏差，然后使用学习排序算法用估计的偏差训练无偏排序器。然而，还没有一种用于成对学习排序的方法，其可以使用成对损失函数来联合地进行点击数据的去偏置和排序器的训练。在本文中，我们提出了一种新的算法，它可以联合估计的偏差在点击位置和偏差在unclick位置，并学习一个公正的排名。在基准数据上的实验表明，该算法的性能明显优于现有算法。此外，在一个商业搜索引擎上的在线A/B测试表明，我们的算法可以有效地进行去偏点击数据，提高相关性排名。

2019-02-27cs.IR

更多相关论文收起更多论文

两两无偏学习排序的一般框架

A General Framework for Pairwise Unbiased Learning to Rank

两两去偏是降低学习排序模型中位置偏差的最有效策略之一。然而，限制这种策略的范围，是许多成对去偏方法所需的基本假设。在本文中，我们开发了一种基于最小化的假设，可以应用到更广泛的用户浏览模式和任意的演示布局的方法。我们实现的方法作为一个简化版本的无偏LambdaMART，并证明它保留了基本的无偏属性在更广泛的各种设置比原来的算法。最后，使用模拟与“黄金”的相关性标签，我们将表明，简化的版本相比，与原来的无偏LambdaMART时，在一个排名列表中的不同位置的检查是不假设是独立的。

2022-07-18cs.IR

有界弃权成对学习排序

Bounded-Abstention Pairwise Learning to Rank

Intesa Sanpaolo AI Research（Intesa Sanpaolo AI研究中心）；University of Trento（特伦托大学）；University of Pisa（比萨大学）

提出一种基于条件风险阈值的成对排序弃权方法，理论刻画最优策略，设计模型无关的插件算法，实验验证有效性。

2026-06-05cs.AIcs.IRcs.LG

TSPRank：通过双线性旅行商模型弥合成对方法与列表式方法之间的差距

TSPRank: Bridging Pairwise and Listwise Methods with a Bilinear Travelling Salesman Model

University of Edinburgh（爱丁堡大学）；Nvidia Research（英伟达研究院）

针对传统成对排序全局效果差、列表式排序调参复杂提升有限的问题，提出将排序重构为旅行商问题的TSPRank混合方法，可集成到现有骨干模型嵌入中，在多任务多模型上显著优于纯成对和列表式方法。

2025-03-23cs.AIcs.IR

频谱增强的成对学习排序

Spectrum-enhanced Pairwise Learning to Rank

Tsinghua University（清华大学）

为了增强推荐系统的性能，边信息被广泛地利用各种特征（例如，视觉特征和文本特征）。然而，边信息也存在一些不足：（1）在所有推荐任务中，边信息并不总是可用的;（2）边信息只针对项目，很少有描述用户的高层次特征。为了解决这些差距，我们引入了光谱特征提取的两个超图结构的购买记录。谱特征描述了图空间中用户/项目的\textit{similarity}，这对于推荐至关重要。我们利用频谱特征来建模用户的偏好和项目的属性，将它们纳入矩阵分解（MF）模型。除了建模，我们还使用光谱特征进行优化。贝叶斯个性化排名（BPR）被广泛用于优化隐式反馈数据中的模型。然而，在BPR中，所有缺失值都被视为负样本，而其中许多确实是不可见的正样本。我们丰富的积极的样本，通过计算用户/项目之间的相似度的频谱特征。其核心思想是：（1）相似的用户应该对相同的项目有相似的偏好;（2）用户应该对相似的项目有相似的感知。在两个真实数据集上的大量实验证明了谱特征的有用性和我们的谱增强成对优化的有效性。我们的模型明显优于几种最先进的模型。

2019-05-02cs.IRcs.LG

超越 Airbnb 的成对学习排序

Beyond Pairwise Learning-To-Rank At Airbnb

本文提出排序算法的 SAT 定理，指出无法同时满足可扩展性、准确性和全序性，并在 Airbnb 构建了“全成对”LTR 框架，通过捕获物品间的优越性与相似性交互，在不牺牲扩展性的前提下显著提升了排序准确性与搜索体验。

2025-06-01cs.IR

一种简单的文本挖掘方法在生物医学应用中的成对关联排序

A Simple Text Mining Approach for Ranking Pairwise Associations in Biomedical Applications

我们提出了一个简单的文本挖掘方法，很容易实现，需要最少的数据汇集和准备，并且很容易使用的建议排名之间的关联列表的目标条款和一个关键短语。我们称这种方法为KinderMiner，并将其应用于两个生物医学应用程序。第一个应用是识别用于细胞重编程的相关转录因子，第二个是识别用于药物重新定位研究的潜在药物。我们将我们的算法的结果与现有数据和最先进的算法进行比较，证明了这两个应用领域的令人信服的结果。虽然我们在这里应用的算法用于生物医学应用，我们认为，该方法是推广到任何可用的语料库足够大。

2019-06-12cs.IRq-bio.QM