Learning from user interactions with rankings A unification of the field

Rankingsystemen vormen de basis voor online zoekmachines en aanbevelingsdiensten. Ze verwerken grote verzamelingen van bijvoorbeeld webpagina’s of web-winkel producten, en presenteren een kleine geordende selectie aan de gebruiker. Voor de beste gebruikerservaring, moeten de resulterende rankings de meest relevante of geprefereerde items bovenaan plaatsen. Het learning-to-rank veld omvat methodes die rankingssystemen optimaliseren t.o.v. dit doel. Traditionele learning-to-rank methoden maken gebruik van supervisie: annotaties van deskundigen. Omdat het verkrijgen van dergelijke annotaties vaak onmogelijk is, zijn methoden ontwikkeld die leren op basis van gebruikersclicks. Helaas worden clicks niet alleen beïnvloed door gebruikersvoorkeuren, maar ook door welke rankings worden weergegeven. Om werkelijk de gebruikersvoorkeuren te leren moeten deze methoden dus de invloed van zulke andere factoren vermijden. Dit proefschrift betreft learning-to-rank methoden op basis van gebruikersclicks en heeft specifiek het doel de verschillende families van deze methoden te verenigen.
Het eerste deel van dit proefschrift bestaat uit drie hoofdstukken die kijken naar online learning-to-rank algoritmen die leren d.m.v. directe interactie met gebruikers. Het tweede deel van het proefschrift bestaat uit vier hoofdstukken die kijken naar counterfactual learning-to-rank algoritmen die leren van eerder verzamelde clickdata. In zijn geheel stelt dit proefschrift een raamwerk voor dat veel hiaten overbrugt tussen de online, counterfactual en supervised learning-to-rank gebieden. Het heeft methodes, die voorheen als onafhankelijk werden beschouwd, verenigd in één enkele methodologie voor breed toepasbare en effectieve learning-to-rank op basis van gebruikersclicks.