RankNet学习思路
整理了一下学习ranknet需要知道的几点:
1、ranknet是从概率角度,利用pairwise解决排序问题;
2、最终我们学习的是一个为搜索结果打分的函数(Scoring Function),这个函数的作用是用来给搜索结果排序的,函数中带有未知参数,RankNet会帮你把参数训练出来,这个Scoring Function在这里并不是RankNet中特定的,因此只要提供的Scoring Function是smooth的,也就是可导的,那么就可以灌入RankNet中求解,至于Scoring Function的设计,并不是RankNet的责任,甚至可以直接选择一个线性函数f(x)=wx; 但由于RankNet是用神经网络训练的,而神经网络说到底又是用梯度下降来训练的;
3、把样本两两组成一个pair,对于一个pair,有两个概率需要定义,一个是预测概率:
s_i代表f(x_i)的预测结果。这就是一个sigmod函数,其物理意义就是第i个样本排在第j个样本前面的概率,还有一个概率是真实概率,定义如下:
S_i_j取{0,1,-1},如果i比j相关,则取1,相同取0,不相关取-1;
4、P_i_j保持一致性,即如果i比j相关,j比k相关,则i一定比k相关;通过P_i_j的定义,可能容易推出:
令P_i_j=P_j_k=p,则p和P_i_k的关系如下:
容易看出,当p>0.5时,即i>j,j>k,有P_i_k>0.5,即i>k。说明概率具有一致性;
5、使用交叉熵来作为训练损失函数:
容易推出:
损失函数C对排序函数中的w求导,可以得到:
S_i_j是训练样本目标,s_i,s_j是当前神经网络模型输入出,剩下就是神经网络对参数求导了。
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。