Samenvatting van het stuk 'Learning to rank for information retrieval from user interactions' door Hofmann et al. (2014). Er wordt een information retrieval systeem gepresenteerd dat zijn resultaten kan verbeteren door te leren van gebruikersinteracties.
10 - Learning to rank for information retrieval from user interactions -
Hofmann et al. (2014)
Hofmann et al (2014) presenteren een information retrieval systeem dat zijn resultaten kan
verbeteren door te leren van gebruikersinteracties. Door te leren van zulke interacties kan het
systeem een steeds betere ranking van de opgehaalde informatie bepalen. De data die wordt
gebruikt om een optimale ranking te leren bevat vaak veel ruis, wat het leren een stuk
ingewikkelder maakt. In dit artikel worden een aantal oplossingen gepresenteerd om ondanks de
ruis in de data toch efficient te kunnen leren:
• Welke nieuwe methoden dragen Hofmann et al (2014) aan?
• Waarom verbeteren deze methoden het leren van een optimale ranking functie?
- reasons learning directly from user interaction is difficult:
1. they are hard to interpret as feedback for learning because they are biased and noisy
2. the system can only observe feedback on actions shown to users → exploration/exploitation
3. amount of feedback & quality of learning is limited by the number of user interactions, so its
important to use the observed data as effectively as possible
- information retrieval (IR) systems provide easy access to constantly growing source of info
→ the user submits a query, receives a ranked list of results, and follows the best one
- making a result ranking as useful as possible depends on context (users age, location, etc)
- self-learning search engines: learn directly from natural interactions with their users online
→ can adapt and improve their rankings to the setting they are deployed in
- search interactions are noisy indicators that may correlate with preferences (dont reflect them)
→ are affected by how results are presented → influence which results are clicked, what makes
distinguishing the effects of true ranking quality hard
- solutions, focusing on evaluation and learning of ranking functions for IR:
1. an interleaved comparison method that allows unbiased and fine-grained ranker comparison
using noisy click data and that allows reuse of such data for new comparisons
2. an approach for modeling and compensating for click bias in user interactions with a web
search engine
3. an experimental framework that allows the assessment of online learning to rank methods for
IR using annotated data sets and clock models
4. learning approaches that improve the online performance of self-learning search engines by
balancing exploration and exploitation
5. methods for reducing the effects of click noise in learning to rank by reusing previously
observed interaction data
Voordelen van het kopen van samenvattingen bij Stuvia op een rij:
Verzekerd van kwaliteit door reviews
Stuvia-klanten hebben meer dan 700.000 samenvattingen beoordeeld. Zo weet je zeker dat je de beste documenten koopt!
Snel en makkelijk kopen
Je betaalt supersnel en eenmalig met iDeal, creditcard of Stuvia-tegoed voor de samenvatting. Zonder lidmaatschap.
Focus op de essentie
Samenvattingen worden geschreven voor en door anderen. Daarom zijn de samenvattingen altijd betrouwbaar en actueel. Zo kom je snel tot de kern!
Veelgestelde vragen
Wat krijg ik als ik dit document koop?
Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.
Tevredenheidsgarantie: hoe werkt dat?
Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.
Van wie koop ik deze samenvatting?
Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper immederoever. Stuvia faciliteert de betaling aan de verkoper.
Zit ik meteen vast aan een abonnement?
Nee, je koopt alleen deze samenvatting voor €3,99. Je zit daarna nergens aan vast.
