Learning to Rank之RankNet算法简介

  排序一直是信息检索的核心问题之一, Learning to Rank(简称LTR)用机器学习的思想来解决排序问题(关于Learning to Rank的简介请见我的博文Learning to Rank简介)。LTR有三种主要的方法：PointWise，PairWise，ListWise. RankNet是一种Pairwise方法, 由微软研究院的Chris Burges等人在2005年ICML上的一篇论文Learning to Rank Using Gradient Descent中提出，并被应用在微软的搜索引擎Bing当中。

1. 损失函数

  损失函数一直是各种Learning to Rank算法的核心, RankNet亦然.

  RankNet是一种Pairwise方法, 定义了文档对<A, B>的概率(假设文档A, B的特征分别为x_i,x_j):

     

  其中o_ij=o_i-o_j, o_i=f(x_i), RankNet使用神经网络来训练模型, 所以f(x_i)是神经网络的输出。

  如果文档A比文档B和查询q更加相关, 则目标概率:=1, 如果文档B比文档A更相关, 目标函数=0, 如果A和B同样相关, 则=0.5.

  有了模型输出的概率Pij和目标概率, 我们使用交叉熵来作为训练的损失函数:

  

  在三种不同的目标概率下, 损失函数和oij之间的关系如下图所示:

  

  可以看到, 在=1时, o_ij越大损失函数越小, =0时, 越小损失函数越小, =0.5时, =0.5时损失函数最小。

  本身也有一些非常好的特性, 给定和, 得到:

  

  令==P, 得到P和的关系如下图所示:

    

  可以看到, 当P>0.5时, 亦即i>j, j>k时, 有>0.5, 亦即i>k, 这说明概率P具有一致性(consistency).

2. RankNet算法

  RankNet使用神经网络来训练模型, 使用梯度下降来优化损失函数。特别的, Chris Burges等人在论文中证明, 对于m个文档{d₁,d₂,...,d_m}, 需要且只需要知道相邻文档之间的概率Pij,就可以算出任意两个文档之间的后验概率. 可以实现对m个文档做任意排列, 然后以排列后的相邻文档之间的概率P_ij作为训练数据, 然后训练模型, 时间复杂度为O(N), 优于Ranking SVM的O(N²)。

  在使用神经网络进行训练时, 将排好序的文档逐个的放入神经网络进行训练, 然后通过前后两个文档之间的o_ij=o_i-o_j来训练模型, 每一次迭代, 前向传播m次, 后向反馈m-1次。

  RankLib中有RankNet等Learning to Rank算法的开源Java实现。

参考文献:

  [1]. Chris Burges, et al. Learning to Rank using Gradient Descent, ICML, 2005.

  [2]. Tie-yan Liu. Learning to Rank for Information Retrieval.

  [3]. Learning to Rank简介

  [4]. RankLib