Extreme Learning to Rank via Low Rank Assumption論文解讀

在推薦系統和網頁搜索中爲數十萬的用戶執行ranking是很常見的。學習單一的ranking function不可能捕捉所有用戶的易變性,然而爲每個用戶學習一個ranking function 是很耗時的,同時也需要來自每個用戶的大量數據。
爲了解決這個問題,本文作者提出了Factorization RankSVM算法,該算法通過學習k個基礎的函數,然後爲將這k個ranking function進行線性組合,使得每一個用戶有一個ranking function.通過利用low-rank結構,開發了一個更快的算法去減少梯度下降的時間複雜度。同時也證明了他們所提出的方法的泛化誤差要好於爲每個用戶單獨執行RankSVN訓練一個ranking function.

Introduction

LTR Pairwise method

給你一個具有x1,x2,...xnx_1,x_2,...x_n