nishiba / paper Goto Github PK

論文へのリンク

https://hal.archives-ouvertes.fr/hal-00982936/PDF/fromPopularityToRanking.pdf

一言でいうと

ニュースの人気度をニュースに対するコメント数から予測するもの。他のナイーブな方法やLearning-to-rankのモデルと比較してもLinear logモデルのパフォーマンスが良かった。
ニュースは他のコンテンツより賞味期間が短い。またコメント数を使うというアイデアは、アクセス数はメディアの所有者しかわからないが、コメント数などはクローラー等により外部からも取得できるから。

論文へのリンク

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.112.1288&rep=rep1&type=pdf

一言でいうと

実際にデータを集めて、positionバイアスの発生原因を調査した。4つのシンプルな仮設を立て、モデル化して、データを使ってどのモデルが良く説明しているかを検証している。結果はCascade Modelと呼ばれるものが一番よかった。しかし、このモデルはかなり無茶な仮定をおいているので今後の発展が必要。

メモ

古い論文なので、まだまだ初期の考察。論文内での無茶な仮設とかはこのあと改善されているはず。続きの論文を調査する。

論文へのリンク

http://www.cs.cornell.edu/people/tj/publications/agarwal_etal_19a.pdf

一言でいうと

#4 の論文では、ランクの1とkを入れ替えた結果をユーザーに表示して、そのログを使って相対的な傾向スコアを計算していたが、この論文では、ABテスト中などの他のRankingモデルのログを活用し、相対的な傾向スコアを推計する方法を提案している

論文へのリンク

https://static.googleusercontent.com/media/research.google.com/ja//pubs/archive/45286.pdf

一言でいうと

selection biasを考慮したlearning-to-rank モデルの提案。著者曰く、selection biasを考慮したモデルは今までになく新規性がある。しかし、モデルはrandomized dataを前提にしている。

論文へのリンク

https://www.ijcai.org/proceedings/2018/0738.pdf

一言でいうと

implicit feedbackを使ってunbiasedな学習をするためのフレームワークを提案。

メモ

ちょっとまだうちには早いかも。もっとプリミティブな方法の論文を読むべきだな。

論文リンク

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.180.634&rep=rep1&type=pdf

一言でいうと

RankNet, LambdaRank, LambdaMARTの数式の解説論文。特に他の手法と比較したり数値実験をしているわけではなく、丁寧に数式を解説している。
対象の問題はあるqueryに対してどちらのdocumentのほうが関連性が高いかを解く。評価するためのスコアリングモデルを学習させる。