[发明专利]基于多目标粒子群优化的鲁棒性排序学习方法及其应用

说明书

本发明涉及一种基于多目标粒子群优化的鲁棒性排序学习方法及其应用，包括以下步骤：步骤一，基于偏差‑方差均衡理论，设计排序模型的有效性偏差函数和鲁棒性方差函数，构建排序学习的两个优化性能指标；步骤二，在排序学习数据集上，基于多目标粒子群优化算法框架，迭代优化排序模型的有效性偏差函数和鲁棒性方差函数这两个目标以训练排序模型，从而产生排序模型归档解集；步骤三，基于多属性决策理论中的偏好顺序结构评估法PROMETHEE II的思想，从上一步骤所产生的排序模型归档解集中选择一个具有最大“净流”排序值的Pareto最优的排序模型以此作为训练出的最终排序模型。与现有技术相比，本发明具有提高整体用户满意度，增强用户体验等优点。

技术领域

本发明涉及信息检索与机器学习领域，尤其是涉及一种基于多目标粒子群优化的鲁棒性排序学习方法及其应用。

背景技术

排序学习是利用机器学习技术去自动训练出排序模型以解决排序问题。它是信息检索与机器学习领域中研究的热点问题，在信息检索、搜索引擎、推荐系统和问答系统等方面有着广泛的应用前景。

由于Web的动态性和用户信息需求的多样性，在不同的排序模型下，一些Web搜索的查询的性能也许会发生较大的变化，并且可能遭受显著性损失，从而降低用户的体验。一个鲁棒的检索系统应确保用户体验不因性能表现差的查询出现而受到损害。因此，为了尽可能地提高整体用户的体验，除了传统的相关性和重要性准则外，如何保证排序模型的鲁棒性，即相对于简单基准，尽管整体上获得了一个平均增益，但新的排序模型通常会在许多查询的性能上受到损失，是近年来排序学习研究面临的一个重要问题。因此，开发鲁棒性排序学习方法以训练鲁棒性感知的排序模型从而尽可能地改进所有用户的整体满意度是非常有必要。

当前，排序学习研究者们主要是通过设计高级的排序特征和/或通过开发先进的排序学习方法，比较和评估多个排序模型，基于一些有效性度量标准，例如归一化折扣累积增益(Normalized Discounted Cumulative Gain，NDCG)和期望倒数排序(Expectedreciprocal rank，ERR)等，选择一个最佳有效性的排序模型，其目标是聚焦于改进排序模型的平均有效性，这些方法往往忽视了排序模型的鲁棒性。鲁棒性差的排序模型会导致排序系统的不稳定，即一些查询的性能表现很好，而另一些查询的性能表现却很差，导致所呈现给用户的排序结果不稳定，难以尽可能地满足不同用户的信息需求，从而难以给用户带来满意的体验。为此，在排序模型的训练过程中，有必要建立符合实际需求的优化目标，考虑同时优化排序模型的有效性和鲁棒性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多目标粒子群优化的鲁棒性排序学习方法及其应用。

本发明的目的可以通过以下技术方案来实现：

一种基于多目标粒子群优化的鲁棒性排序学习方法，包括以下步骤：

步骤一，基于偏差-方差均衡理论，设计排序模型的有效性偏差函数和鲁棒性方差函数，构建排序学习的两个优化性能指标；

步骤二，在排序学习数据集上，基于多目标粒子群优化算法框架，迭代优化排序模型的有效性偏差函数和鲁棒性方差函数这两个目标以训练排序模型，从而产生排序模型归档解集；

步骤三，基于多属性决策理论中的偏好顺序结构评估法PROMETHEE II的思想，从上一步骤所产生的排序模型归档解集中选择一个具有最大“净流”排序值的Pareto最优的排序模型以此作为训练出的最终排序模型。

优选地，所述的设计排序模型的有效性偏差函数和鲁棒性方差函数，构建排序学习的两个优化性能指标具体为：

查询和查询集在排序模型下的有效性偏差函数和鲁棒性方差函数分别定义如下：

定义1.查询q_i的有效性偏差函数Bias^R(q_i)定义为：