基于生成对抗网络的双循环迁移排序学习方法

迁移排序学习是信息检索领域中一个重要的硏究方向，它利用带标签的源域数据来解决没有标签目标域数据的排序问题。已有的迁移排序学习方法并没有直接解决源域与目标域的数据分布不一样的问题。因此本文提岀了一个双循环迁移排序学习方法。该方法基于生成对抗网络，直接将源域数据映射到目标域数据中。双循环迁移排序模型主要有两部分：（1）让两个数据域互相学习对方域的特征分布信息部分，（2）使用已经嵌入目标域特征信息的源域数据来训练排序模型部分。为了更有效率，数据域特征分布学习和排序模型学习是交叉进行的，共同训练。同时排序模型还为特征分布学习部分提供优化目标，该优化目标满足生成特征和原有标签之间的相关性，并且保持不同类别生成特征之间的距离。在LETOR3.0和LETOR4.0标准排序学习数据集进行实验验证，结果表明本文提出的方法在平均准确率（MAP）和累计信息增益（NDCG）等评价标准下和已有主流算法相比都取得了更好的效果。