SortNet: Learning To Rank By a Neural-Based Sorting Algorithm

要約

関連度ランキングの問題は、オブジェクトの集合を与えられた基準に関してソートすることからなる。ユーザは異なる関連性基準を好む可能性があるため、ランキングアルゴリズムはユーザのニーズに適応可能でなければならない。1）例によって学習されるスコア関数で、各オブジェクトの特性を評価し、オブジェクトの順序付けに使用できる絶対的な関連性値を得る。本論文では、ニューラルネットワークを比較対象としてオブジェクトに順位を付ける適応的順位付けアルゴリズムであるSortNetを紹介する。ニューラルネットワークの学習セットは、アイテムのペア間の望ましい順序付けの例を提供し、各反復において、最も有益な学習例を追加する反復手順によって構築される。さらに、コンパレータは特に選好関数の実装に適したコネクショニスト・アーキテクチャを採用している。また、このようなアーキテクチャが普遍的な近似特性を持ち、幅広いクラスの関数を実装できることを証明する。最後に、提案アルゴリズムをLETORデータセットで評価し、他の最新アルゴリズムと比較して有望な性能を示す。

要約(オリジナル)

The problem of relevance ranking consists of sorting a set of objects with respect to a given criterion. Since users may prefer different relevance criteria, the ranking algorithms should be adaptable to the user needs. Two main approaches exist in literature for the task of learning to rank: 1) a score function, learned by examples, which evaluates the properties of each object yielding an absolute relevance value that can be used to order the objects or 2) a pairwise approach, where a ‘preference function’ is learned using pairs of objects to define which one has to be ranked first. In this paper, we present SortNet, an adaptive ranking algorithm which orders objects using a neural network as a comparator. The neural network training set provides examples of the desired ordering between pairs of items and it is constructed by an iterative procedure which, at each iteration, adds the most informative training examples. Moreover, the comparator adopts a connectionist architecture that is particularly suited for implementing a preference function. We also prove that such an architecture has the universal approximation property and can implement a wide class of functions. Finally, the proposed algorithm is evaluated on the LETOR dataset showing promising performances in comparison with other state of the art algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL