LEARNING TO RANK WITH ORDINAL REGRESSION

Provided are pairwise and listwise ranking losses that can be used to improve ranking relations among co-recommended items for multi-label multi-class logistic regression, where the labels of the classes are ordered in a meaningful way. The proposed ranking losses can be integrated into an ordinal regression framework and reflect ideas that frame ranking losses as losses on conditional probabilities that are conditioned on events in which objects in a co-recommended list have unequal labels. Example implementations of the present disclosure leverage ordinal regression to provide an ordering framework between the multiple class labels and use the conditioning framework over it to apply ranking losses between pairs or within lists of items, such that the multi-label objective predictions are focused on improving ordinal label ranking among co-recommended items. These example implementations can be achieved using losses that push gradients to enhance learning label differences between different items. L'invention concerne des pertes de classement par paires et par liste qui peuvent être utilisées pour améliorer des relations de classement parmi des éléments co-recommandés pour une régression logistique multiclasses à multiétiquettes, les étiquettes des classes étant ordonnées de manière significative. Les pertes de classement proposées peuvent être intégrées dans une structure de régression ordinale et reflètent les idées voulant que des pertes de classement de trame en tant que pertes sur des probabilités conditionnelles qui sont conditionnées sur des événements dans lesquels des objets dans une liste co-recommandée possèdent des étiquettes inégales. Des modes de réalisation donnés à titre d'exemple selon la présente divulgation tirent profit d'une régression ordinale pour fournir un cadre de commande entre les multiples étiquettes de classes et utilisent le cadre de conditionnement sur celui-ci pour appliquer des pertes de classement entre des paires de listes d'articles ou à l'intérieur de ces dernières, de telle sorte que les prédictions objectives multiétiquettes sont focalisées sur l'amélioration d'un classement d'étiquettes ordinales parmi des articles co-recommandés. Ces modes de réalisation donnés à titre d'exemple peuvent être obtenus à l'aide de pertes qui poussent des gradients pour améliorer des différences d'étiquette d'apprentissage entre différents éléments.