Active Learning for Learning to Rank

• Rodrigo M. Silva UFMG
• Marcos A. Gonçalves UFMG
• Adriano Veloso UFMG

Resumo

Este artigo resume nossa dissertação de mestrado que propõe um novo método para escolher instâncias de consultas-documentos para serem rotuladas. Usando essa técnica é possível selecionar e rotular um pequeno mas representativo conjunto de exemplos que pode ser usado para produzir modelos de aprendizado de máquina para ordenação de documentos bastante efetivos. Nós conduzimos extensa experimentação do método usando conjuntos de referência para mostrar que ele obtém resultados excelentes quando comparado com outros algoritmos ativos e supervisionados do estado-da-arte.

Referências

De Sousa, D. X., Rosa, T. C., Martins, W. S., Silva, R., and Gonçalves, M. A. (2012). Improving on-demand learning to rank through parallelism. In WISE’12, pages 526–537.

Donmez, P. and Carbonell, J. G. (2008). Optimizing estimated loss reduction for active sampling in rank learning. In ICML ’08, pages 248–255.

Ferreira, A. A., Silva, R., Gonçalves, M. A., Veloso, A., and Laender, A. H. (2012). Active associative sampling for author name disambiguation. In JCDL ’12, pages 175–184.

Silva, R., Gonçalves, M. A., and Veloso, A. (2011). Rule-based active sampling for learning to rank. In ECML PKDD ’11, pages 240–255.

Sumbana, M., Gonçalves, M. A., Silva, R., Almeida, J., and Veloso, A. (2012). Automatic vandalism detection in wikipedia with active associative classification. In TPDL’12, pages 138–143.

Veloso, A. A., Almeida, H. M., Gonçalves, M. A., and Meira, Jr., W. (2008). Learning to rank at query-time using association rules. In SIGIR ’08, pages 267–274.