Résumé

Les algorithmes d’apprentissage d’ordonnancement utilisent un très grand nombre de caractéristiques pour apprendre les fonctions d’ordonnancement, entraînant une augmentation des temps d’exécution et du nombre de caractéristiques redondantes ou bruitées. La sélection de variables est une méthode prometteuse pour résoudre ces enjeux. Dans cet article, nous pro- posons de nouvelles méthodes de sélection de variables en apprentissage d’ordonnancement basées sur des approches de pondération des SVM en norme 2. Nous proposons une adap- tation d’une méthode 2-AROM pour la résolution des SVM en norme 0et un algorithme générique de pondération de la norme 2 qui résout les problèmes en norme l0 et et l1. Nos expérimentations

Abstract

Learning to rank algorithms are dealing with a very large amount of features to automatically learn ranking functions, which leads to an increase of both the computational cost and the number of noisy redundant features. Feature selection is seen as a promising way to address these issues. In this paper, we propose new feature selection algorithms for learning to rank based on reweighted 2SVM approaches. We investigate a 2-AROM algorithm to solve the 0norm optimization problem and a generic 2-reweighted algorithm to approximate l0 et