Аннотация:
PageRank является одним из самых известных факторов, использующихся для ранжирования страниц по пользовательским запросам в Интернете. Тем не менее этот фактор сильно устарел и перестал представлять интерес для многих поисковых систем, так как не является динамическим (не зависит от запроса) и не использует информацию о текстах документов и других свойств страниц в Интернете. В докладе будет рассказано о различных вариантах фактора PageRank. Основное внимание будет уделено моделям, в которых вероятности переходов являются функциями от факторов вершин и ребер графа. Будет рассказано о том, как можно обучать параметры таких функций для оптимизации метрик ранжирования и о том, как сделать такой фактор динамическим. К сожалению, задача обучения в общем случае оказывается невыпуклой, к тому же содержащей огромную скрытую размерность. Планируется обсудить возможные постановки, когда задачу обучения удается сделать выпуклой. Также планируется рассказать о новом методе (подходящем для широкого класса задач с огромной скрытой размерностью), находящем локальный минимум задачи глобальной оптимизации, базирующийся на концепции прямых (безградиентных) методов с неточным оракулом. Метод локально работает по известным нижним оракульным оценкам для данного класса задач. Однако у рассматриваемой задачи обучения имеется определенная специфика (функционал имеет вид суммы). На базе работы Конечного-Рихтарика (2013) мы обсудим возможное ускорение метода за счет использования аддитивной структуры функционала. Кроме того, на основе известного метода рестартов планируется описать способы борьбы за адаптивность метода - априорного не знания параметров функционала (для этого также потребуется привлечь концепцию двойной рандомизации Дучи-Джордан и др. 2014).
|
