[发明专利]一种面向动态环境的自适应在线排序方法和系统

说明书

本发明公开一种面向动态环境的自适应在线排序方法和系统，通过将在线排序学习任务建模成一个多摇臂决斗赌博机问题，使用自适应在线排序方法对查询结果进行排序。首先，确定排序模型，设置相关参数。接着，使用一个自适应在线排序方法更新排序模型的参数，利用更新后的排序模型对查询结果进行排序。其中，自适应在线排序方法包含一个元方法和多个专家方法。本发明能够自适应地对查询结果进行在线排序，适用于用户查询偏好随时间变化而不断改变的动态环境。

技术领域

本发明涉及数据挖掘和机器学习技术领域中的在线排序方法，特别涉及在动态环境中进行自适应在线排序的方法，可应用于网页搜索、商品搜索等信息检索场景。

背景技术

排序学习是指使用机器学习技术来对查询结果进行排序，对给定的查询-文档对，通过提取相应特征和训练排序模型对与查询输入的相关结果进行排序。排序学习可以分为离线排序方法和在线排序方法。传统的离线排序方法需要收集用户查询输入和具有相关标签的文档作为训练数据，然后训练一个参数化的排序模型去预测查询结果的相关程度进行排序。这种方法的缺陷是收集这些训练数据非常耗时，并且不适用于大规模的应用。此外，排序模型一经训练好就固定不变，因此排序模型无法持续更新，难以满足用户需求。为了解决上述问题，最近一些研究引入了在线排序方法。

在线排序方法可以根据用户的交互行为不断更新优化排序模型，并且不需要存储大量的离线数据。在线排序方法广泛应用于网页搜索、商品搜索等信息检索场景。比如在网页搜索中，在线排序方法可以在展示查询结果后根据用户的交互反馈(点击感兴趣的网页链接)及时更新排序模型，将与用户查询更加相关的网页链接排在前面展示，将相关性较低的网页链接排在较后的位置，从而提升搜索结果的质量。因为在线排序方法需要在探索新排序模型和利用当前最优排序模型之前进行平衡，所以一个常用的方法是把在线排序学习任务建模成一个多摇臂决斗赌博机问题，每个摇臂对应一个排序模型参数。在每个回合，在线排序方法通过对不同摇臂的比较来更新优化排序模型的参数。目前的在线排序方法一般假设用户的查询偏好满足一个静态的概率分布。但是在很多现实场景中，用户的查询偏好通常会随着时间变化而不断改变。为了更好地处理现实生活中的排序任务，需要一种自适应的在线排序方法来持续学习用户的查询偏好。

发明内容

发明目的：目前的在线排序方法只适用于用户查询偏好固定不变的静态环境，但是在很多现实场景中，用户的查询偏好会随着时间变化而不断改变，是一种不断变化并且不可事先预知的动态环境。针对现有技术中存在的问题与不足，本发明提供一种面向动态环境的自适应在线排序方法和系统。

技术方案：一种面向动态环境的自适应在线排序方法，用于网页搜索、商品搜索等信息检索场景。具体流程是，首先，确定排序模型，设置相关参数。接着，使用一个自适应方法更新排序模型的参数，利用更新后的排序模型对查询结果进行排序。其中，自适应方法包含一个元方法和多个专家方法。每个专家方法针对一种可能的用户偏好，被配置不同的探索步长参数，用梯度下降的方式更新专家方法的参数；元方法接收所有的专家方法的参数结果，对每个专家方法分别配置不同的权重；然后将每个专家方法的参数结果进行加权求和构成当前排序模型的参数，接着计算探索排序模型参数，根据当前排序模型和探索排序模型二者参数的比较结果来更新排序模型的参数，用更新后的排序模型对查询结果进行排序。最后，更新每个专家方法的权重。

所述自适应方法，包括元方法和专家方法。

所述元方法的具体步骤为：

步骤101，设置步长参数α；所述步长用于更新每个专家方法的权重；

步骤102，设置元方法运行回合数T；

步骤103，设置专家方法个数N；

步骤104，设置探索步长参数δ；

步骤105，设置每个专家方法的利用步长参数γ₁,…,γ_N；