List-wise Ranking

背景

ranking is a prediction task on list of objects. 所以 point-wise, pair-wise 等方法的训练任务与工作场景有差异, list-wise 理应更好.

list-wise ranking with S-IE

该改论文见参考[1].

Session Infomation Embedding (S-IE)

算是一个预训练, task为正负样本二分类, 为后面list-wise作准备.

图: 将点击与曝光内容分别pooling, 后与 target,user 作concat.

list-wise ranking

图 公式书写太差, 有误, (1)式中分子下标i可能为$t$t,分母下标i可能为$l$l; (2)式中i及右括号应放在上标位置.

我的疑惑

1. session s 的rep由target得到,即 $rep(session)=f(target,other)$rep(session)=f(target,other) 那么 target 与 图2中的 n 个item是什么关系? 论文有说each session with the contained item behaviors is treated as a list-wisw training sample,但还不是很清楚.
2. 这个loss哪里体现了list-wise的先进? 论文2可能有答案.
3. 所谓list-wise只是损失函数相关, 预测阶段依旧是point-wise打分并排序.

论文2

论文1的list-wise借鉴了参考2, ICML’2017的微软的论文.

参考

1. CIKM’2017,alibaba,Session-aware Information Embedding for E-commerce Product Recommendation
2. ICML’2007,Learning to Rank: From Pairwise Approach to Listwise Approach