论文部分内容阅读
鲁棒性在排序学习中显得越来越重要，而现有排序学习算法多数仅关注改进排序模型的有效性，往往忽略了排序模型的鲁棒性。为了增强排序模型的鲁棒性，在训练排序模型的过程中可同时考虑其有效性和鲁棒性。本文从一个新颖的视角，即偏差-方差均衡，研究了如何优化LambdaMART排序学习的有效性和鲁棒性均衡。将偏差和方差融合为一个统一的目标函数以修改LambdaMART算法中的梯度，并证明了修改后的梯度仍然可以采用LambdaMART算法去优化以训练出排序模型。最后，在大规模的排序学习数据集上的实验结果表明，基于偏差-方差均衡思想所修改梯度后的LambdaMART算法具有更强的鲁棒性。