یادگیری رتبه بندی با کلیک از طریق ویژگی ها در یک چارچوب یادگیری تقویتی

به خاطر رشد شدید اطلاعات وب، موتورهای جستجوی وب به یک ماهیت عصر اطلاعات تبدیل شده‌اند. بازیابی اطلاعات (IR)به عنوان یک فرآیند رتبه‌بندی تعریف می‌شود که در آن مجموعه‌ای از اسناد براساس ارتباط آن‌ها با نیازهای اطلاعاتی کاربران صادر می‌شود. در سال‌های اخیر، "یادگیری از رتبه" به عنوان یک حوزه فعال و در حال رشد تحقیقات در تحقیقات یادگیری و یادگیری ماشین ظهور کرده‌است. در نتیجه ، چندین یادگیری برای الگوریتم های رتبه بندی پیشنهاد شده است ، مانند RankSVM (هربریک ، گراپل و اوبرمایر ، ۲۰۰۰) ، (یواخیمز ، ۲۰۰۲) ، مرتبائواست (Freund و همکاران ، ۲۰۰۳) AdaRank در سال (Xu و Li، ۲۰۰۷) و ListNet (کائو و همکاران ، ۲۰۰۷). اگر چه این روش‌ها عملکرد منطقی مبتنی بر معیارهای ارزیابی بر روی مجموعه داده‌های محک را نشان داده‌اند، اما از داده‌های کلیک میانی به عنوان منبع بازخورد کاربران استفاده نکرده اند (Dou و همکاران، ۲۰۰۸). یک دلیل می‌تواند کمیاب بودن داده‌های نرخ کلیک از طریق{نرخ کلیک از طریق (CTR) نسبت کاربرانی است که بر روی لینک مشخص به تعداد کل کاربرانی که یک صفحه ، ایمیل یا تبلیغات را مشاهده می کنند ، کلیک

PurposeLearning to rank algorithms inherently faces many challenges. The most important challenges could be listed as high-dimensionality of the training data, the dynamic nature of Web information resources and lack of click-through data. High dimensionality of the training data affects effectiveness and efficiency of learning algorithms. Besides, most of learning to rank benchmark datasets do not include click-through data as a very rich source of information about the search behavior of users while dealing with the ranked lists of search results. To deal with these limitations, this paper aims to introduce a novel learning to rank algorithm by using a set of complex click-through features in a reinforcement learning (RL) model. These features are calculated from the existing click-through information in the data set or even from data sets without any explicit click-through information.Design/methodology/approachThe proposed ranking algorithm (QRC-Rank) applies RL techniques on a set