Исследование методов машинного обучения ранжированию, использующих перестановки как основные логические единицы

Abstract

В работе исследуются методы машинного обучения ранжированию (Learning To Rank), основанные на перестановке документов (listwise approach). В ряде иностранных статей было показано, что данные методы характеризуются тем, что в них минимизируется функция потерь, которая штрафует ранжирование в соответствии с правильной перестановкой документов. В данной работе разбирается свойство состоятельности функции штрафа, которое гарантирует, что правильное обучение приведет к нахождению лучшей ранжирующей функции. Показано, что в формулировке теоремы о критерии состоятельности, опубликованной в статье "Listwise Approach to Learning to Rank - Theory and Algorithm" [Microsoft research, T.Y.Liu at al.] на ICML 2008, не хватает существенного ограничения на функцию потерь: требуется симметричность функции потерь по своим аргументам.

In work methods of machine training to ranging (Learning To Rank), based on shift of documents (listwise approach) are investigated. In a number of foreign articles it has been shown that the given methods are characterised by that in them function of losses which fines ranging according to correct shift of documents is minimised. Property of a solvency of function of the penalty which guarantees understands the given work that correct training will lead to a finding of the best ranging function. It is shown that in the formulation of the theorem of criterion of the solvency published in article "Listwise Approach to Learning to Rank - Theory and Algorithm" [Microsoft research, T.Y.Liu at al.] on ICML 2008, there is no essential restriction on function of losses: symmetry of function of losses on the arguments is required.