listwiseoptimointia

Listwiseoptimointi viittaa listwise-tyyppiseen oppimiseen rankingeissa, jossa huiputetaan malleja hoitamaan koko listan järjestys kerralla, ei vain yksittäisten tuotteiden tai parien perusteella. Siinä oppimisalgoritmi käyttää koko hakijoiden listaa per kysely (query) ja pyrkii löytämään järjestyksen, joka parhaiten vastaa relevanssiarvosteluja. Tämä eroaa pointwise-tilanteesta, jossa optimoidaan kerralla yhden kohteen arvoa, sekä pairwise-tilanteesta, jossa optimoidaan paremmuusjärjestystä kohteiden pareja vastaan.

Listwise-menetelmät muodostavat usein todennäköisyysjakauman käytettävälle järjestykselle ja asettavat häviöfunktion sen perusteella. Esimerkkejä listwise-rankausmenetelmistä ovat ListNet ja ListMLE, jotka pyritään minimoimaan tai maksimoimaan listin järjestyksen oikeellisuutta kuvaavia mittareita. ListNet käyttää todennäköisyysjakaumaa, joka määräytyy mallin pisteiden perusteella, ja ListMLE optimoi havainnoidun permutaation todennäköisyyden maksimoimalla sitä. Näiden menetelmien tavoitteena on parantaa kokonaisen listan laatua rekonstruktoimalla relevanssit sekä välillisten suhteiden vuosissa.

Käytännössä listwise-optimointi soveltuu hakukoneisiin ja suositusjärjestelmiin, joissa kappaleen järjestys vaikuttaa käyttäjäkokemukseen merkittävästi. Hyötyinä on usein parempi kokonaisnäkymä ja parempi metriikoiden, kuten NDCG:n, suoritustaso. Haasteina ovat laskennallinen kustannus ja tarve suurille batch-kokoille sekä mahdollinen herkkyys data- ja hyperparametrien valinnoille.