排序是计算机内经常进行的一种操作,其目的是将一组“无序”的记录序列调整为“有序”的记录序列。分内部排序和外部排序。若整个排序过程不需要访问外存便能完成,则称此类排序问题为内部排序。反之,若参加排序的记录数量很大,整个序列的排序过程不可能在内存中完成,则称此类排序问题为外部排序。内部排序的过程是一个逐步扩大记录的有序序列长度的过程。

VIP内容

报告题目: Fair Ranking with Biased Data

报告摘要:

目前,维基百科、Etsy、Netflix等各大网站上存在着各种不同的在线排名系统,排名函数𝜋对上下文x的项进行排序。怎样学习排序并且我们如何训练这些系统才能使得最大化排名对用户的效用呢?在此次报告中主要讲述了如何学习及训练在线排名系统。

嘉宾介绍

Thorsten Joachims是康奈尔大学计算机科学系和信息科学系的教授,SVM-Light、SVM-Rank作者。他担任了两年的信息科学系系主任。2001年,他在多特蒙德大学(University of Dortmund) ai部门完成博士学位后,加入了康奈尔大学(Cornell University)。1997年,他还在多特蒙德大学(University of Dortmund)获得了计算机科学双学位。2000年至2001年,他在GMD自主智能系统研究所的知识发现团队中担任博士后。从1994年到1996年,他在卡内基梅隆大学做了一年半的汤姆·米切尔教授的访问学者。在与学生和合作者的合作下,他的论文获得了8项最佳论文奖和4项最佳测试奖。Thorsten Joachims是ACM研究员、AAAI研究员和洪堡研究员。研究范围包括机器学习方法和理论,从人类行为数据和隐式反馈中学习,机器学习用于搜索引擎、推荐、教育和其他以人为中心的任务。

成为VIP会员查看完整内容
Fair Ranking with Biased Data.pdf
0+
0+
更多VIP内容

最新论文

Citation recommendation systems for the scientific literature, to help authors find papers that should be cited, have the potential to speed up discoveries and uncover new routes for scientific exploration. We treat this task as a ranking problem, which we tackle with a two-stage approach: candidate generation followed by re-ranking. Within this framework, we adapt to the scientific domain a proven combination based on "bag of words" retrieval followed by re-scoring with a BERT model. We experimentally show the effects of domain adaptation, both in terms of pretraining on in-domain data and exploiting in-domain vocabulary. In addition, we introduce a novel navigation-based document expansion strategy to enrich the candidate documents processed by our neural models. On three different collections from different scientific disciplines, we achieve the best-reported results in the citation recommendation task.

0+
0+
下载
预览
更多最新论文
Top