Feature selection in learning-to-rank. An evaluation of weighted-SVM - Archive ouverte HAL Access content directly
Journal Articles Document numérique - Revue des sciences et technologies de l'information. Série Document numérique Year : 2015

Feature selection in learning-to-rank. An evaluation of weighted-SVM

Sélection de variables en apprentissage d'ordonnancement : évaluation des SVM pondérés

(1) , (2) , (3, 4)
1
2
3
4

Abstract

To select the most useful and the least redundant features to be used in ranking function to reduce computational costs is an issue in learning to rank (LTR). Regularized SVM are promising approaches in this context. In this paper, we propose new feature selection algorithms for LTR based on weighted SVM. We investigate an ℓ2-AROM algorithm to solve the ℓ0 norm problem and a weighted ℓ2 algorithm to solve ℓ0 et ℓ1 norm problems. Experiments on benchmarks and commercial datasets show that our algorithms are up to 10 times faster and use up to 7 times less features than state-of-the-art methods, with similar ranking performance.
Sélectionner les caractéristiques les plus utiles et les moins redondantes au sein des fonctions d'ordonnancement et réduire les temps d'exécution est un enjeu des algorithmes d'apprentissage d'ordonnancement. Les algorithmes de sélection de variables basés sur les SVM régularisés sont des approches prometteuses. Dans cet article, nous proposons de nouvelles méthodes de sélection de variables en apprentissage d'ordonnancement basées sur des approches de pondération des SVM en norme l2. Nous proposons une adaptation d'une méthode l2-AROM qui résout des SVM en norme l0 et un algorithme de pondération de la norme l2 qui ésout les problèmes en norme l0 et l1. Nos évaluations sur des jeux de données industriels et de référence montrent que les méthodes proposées sont jusqu'à 7 fois plus rapides et 10 fois plus parcimonieuses que l'état de l'art, pour des qualités d'ordonnancement équivalentes.
Fichier principal
Vignette du fichier
laporte_15268.pdf (1.23 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

hal-01259566 , version 1 (10-01-2022)

Identifiers

Cite

Léa Laporte, Sébastien Dejean, Josiane Mothe. Sélection de variables en apprentissage d'ordonnancement : évaluation des SVM pondérés. Document numérique - Revue des sciences et technologies de l'information. Série Document numérique, 2015, 18 (1), pp.99-121. ⟨10.3166/dn.18.1.97-121⟩. ⟨hal-01259566⟩
275 View
42 Download

Altmetric

Share

Gmail Facebook Twitter LinkedIn More