典型文献
引入激活加权策略的分组排序学习方法
文献摘要：
排序学习(LtR)将有监督机器学习技术(SML)用于解决排序问题,旨在给出输入文档列表的相关度更优化的排序结果.此前关于深度排序模型的研究,对于列表内文档的相关度计算彼此独立,缺乏考虑文档之间的相互作用.近年来一些新方法致力于挖掘文档之间的相互影响,如分组评分法(GSF),通过学习多元变量评分函数来联合判断文档相关性,但大多忽略了文档间相互影响的差异性,同时增加了很大的计算代价.针对此问题,提出了一种带权重的分组深度排序模型(W-GSF).该方法借鉴推荐领域的深度兴趣网络,引入其根据候选商品调整历史行为序列权重的思想,在排序学习中多元评分法基础上,以多层前馈神经网络为主体结构,并在输入端加入激活单元,利用神经网络自适应学习调整输入的多元变量的权重,来挖掘交叉文档关系的差异性.在公共基准数据集MSLR上的实验验证了该方法的有效性,相比基线排序模型,激活策略的引入带来了排序指标上的明显提升,同时相对于同等效果的排序方法计算量大幅降低.
文献关键词：
排序学习(LtR);分组评分法(GSF);深度神经网络;深度兴趣网络
中图分类号：
作者姓名：
李玉轩;洪学海;汪洋;唐正正;班艳
作者机构：
中国科学院 计算机网络信息中心,北京 100190;中国科学院大学,北京 100049;中国科学院 计算技术研究所,北京 100190
文献出处：
引用格式：
[1]李玉轩;洪学海;汪洋;唐正正;班艳-.引入激活加权策略的分组排序学习方法)[J].计算机科学与探索,2022(07):1594-1602
A类：
LtR,深度兴趣网络,MSLR
B类：
排序学习,有监督机器学习,机器学习技术,SML,排序问题,列表,此前,排序模型,内文,相关度计算,评分法,GSF,多元变量,史行,行为序列,多层前馈,前馈神经网络,主体结构,网络自适应,自适应学习,文档关系,基准数据集,比基,排序方法,计算量,深度神经网络
AB值：
0.321803
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
