二元相关性校准排名的回归兼容列表目标
摘要：学习排序的方法主要旨在提高排序质量，因此它们的输出分数没有经过尺度校准。这从根本上限制了学习排序在得分敏感应用中的使用。虽然一个简单的多目标方法，将回归和排序目标结合起来可以有效地学习尺度校准的分数，但我们认为这两个目标不一定是兼容的，这使得它们之间的权衡对于其中任何一个来说都不理想。在本文中，我们提出了一种实用的回归兼容排序（RCR）方法，实现了更好的权衡，其中证明了两个排序和回归组件是相互对齐的。虽然相同的思想适用于具有二进制和分级相关性的排名，但我们在本文中主要关注二进制标签。我们在几个公共LTR基准上评估了提出的方法，并展示了它在回归和排名指标方面始终取得最佳或有竞争力的结果，并在多目标优化的背景下显着改进了帕累托前沿。此外，我们在YouTube搜索上评估了提出的方法，并发现它不仅提高了生产pCTR模型的排名质量，还提高了点击预测的准确性。该提出的方法已成功部署在YouTube生产系统中。
作者：Aijun Bai, Rolf Jagerman, Zhen Qin, Le Yan, Pratyush Kar, Bing-Rong Lin, Xuanhui Wang, Michael Bendersky, Marc Najork
论文ID：2211.01494
分类：Information Retrieval
分类简称：cs.IR
提交时间：2023-08-23