论文部分内容阅读
排序学习是当前信息检索领域研究热点之一。为了避免训练集中噪音的影响，当前排序学习算法较多关注鲁棒性。已有的工作发现相同的排序学习方法的性能在不同的数据集上会有截然不同的噪音敏感度。模型改变是导致性能下降的直接原因，而模型又是从训练集学习到的，因此根源在于训练数据的某些特性。该文根据具体排序学习场景分析得出影响噪音敏感度的根本原因在于训练集中文档对分布的结论，并在LETOR3．0上的实验验证了这一结论。