Ranking

L’exemple emblématique du ranking est le moteur de recherche qui cherche des pages internet à partir de mots clés et qui ordonne selon un ordre de pertinence appris avec une palanquée de features reliées au contenu, aux clicks, au temps passé sur la page… Il s’agit d’ordonner un ensemble de résultats associés à une requête ou plus simplement un identifiant. Pour résoudre ce problème, on le transforme soit en un problème de régression où il faut apprendre un score de pertinence, soit un problème de classification où il faut déterminer l’ordre de paires de résultats.

La première approche est similaire au Collaborative filtering. Le score de pertinence ou rating mesure l’adéquation du résultat à la requête. Dans le cas d’un moteur de recherche, c’est principalement cette approche qui est suivie avec comme métrique le Discounted Cumulative Gain (DCG) ou sa version normalisée NDCG.

La seconde approche s’inspire de la Classification multi-classe. R=(r_1, ..., r_n) représente tous les résultats pour la requête q. On apprend un classifieur binaire qui détermine pour chaque paire de résultat (r_i, r_j) lequel doit être affiché en premier. L’ordre final est déterminé par le nombre de matchs qu’un résultat gagne.