適合性分布が異なる情報源を用いたランキング学習

• Item type: Trans(1)
• 公開日: 2010-09-28
• タイトル: 適合性分布が異なる情報源を用いたランキング学習
• タイトル / 言語: en
• タイトル: Learning to Rank from Multiple Sources of Different Relevance Distributions
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 研究論文
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 日本電信電話株式会社NTTサイバーソリューション研究所
• 著者所属: 日本電信電話株式会社NTTサイバーソリューション研究所
• 著者所属: NTTコミュニケーションズ株式会社先端IPアーキテクチャセンタ
• 著者所属: NTTレゾナント株式会社
• 著者所属: 日本電信電話株式会社NTTコミュニケーション科学基礎研究所
• 著者所属: 日本電信電話株式会社NTTサイバーソリューション研究所
• 著者所属(英): en
• 著者所属(英): NTT Cyber Solutions Laboratories, NTT Corporation
• 著者所属(英): en
• 著者所属(英): NTT Cyber Solutions Laboratories, NTT Corporation
• 著者所属(英): en
• 著者所属(英): Innovative IP Architecture Center, NTT Communications Corporation
• 著者所属(英): en
• 著者所属(英): NTT Resonant Inc.
• 著者所属(英): en
• 著者所属(英): NTT Communication Science Laboratories, NTT Corporation
• 著者所属(英): en
• 著者所属(英): NTT Cyber Solutions Laboratories, NTT Corporation
• 著者名: 数原, 良彦; 宮原, 伸二; 植松, 幸生; 金田, 有二; 藤野, 昭典; 片岡, 良治
• 著者名(英): Yoshihiko, Suhara; Shinji, Miyahara; Yukio, Uematsu; Yuji, Kaneda; Akinori, Fujino; Ryoji, Kataoka
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 情報検索において，機械学習の枠組みでランキング関数の最適化を行うランキング学習が重要な課題である．従来のランキング学習手法では人手による適合性評価，もしくはクリックログから得られる訓練データを利用してきた．我々は，これらの複数情報源を適切に利用し，より高精度なランキング学習を達成することを目標とする．我々は複数情報源から得られる訓練データは，適合性分布が異なると考えた．そのため，訓練データの適合性分布が同一であることを仮定している従来の教師あり学習に基づくランキング学習手法では，複数情報源を用いたランキング学習の実現が困難だと考えられる．そこで我々は，分布が異なる訓練データを用いて転移学習の枠組みに着目し，転移学習をランキング学習に適用することによって適合性分布が異なる複数の情報源を用いたランキング学習の実現を試みる．本稿では，転移学習の枠組みに基づくランキング学習手法 TRankBoost を提案し，商用モバイルウェブ検索エンジンの実データを用いた評価実験によって有効性を検証した．評価実験により，TRankBoost によって，従来手法である RankingSVM，RankBoost と比べて NDCG@5，10 の値で上回る精度のランキングを実現することを示した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Learning to rank has become a hot research topic in recent years. Conventional learning-to-rank algorithms use human relevance judgments or click-through logs as training data. We consider that human relevance judgments can perform better by complementing with the other souces such as click-through logs. We assume that these datasets, click-through logs and human relevance judgments, have different relevance level distributions. Thus, it is difficult to gain better performance by combining them in a simple manner because conventional learning-to-rank alrogithms based on supervised learning assume that training data are sampled from identical distributions. In this paper, we propose a general learning-to-rank framework, based on the transfer learning framework, that resolves this problem. We also propose a novel learning-to-rank algorithm called TRankBoost. To verify its efficiency, we conducted the experiments using real dataset from the commercial mobile web search engine. Our experiments show that TRankBoost outperforms the conventional methods of RankingSVM and RankBoost on NDCG@5 and 10.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464847
• 書誌情報: 情報処理学会論文誌データベース（TOD）; 巻 3, 号 3, p. 99-111, 発行日 2010-09-28
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7799
• 出版者 / 言語: ja
• 出版者: 情報処理学会