摘要
有许多应用程序需要对实例进行排序而不是分类。在这里，我们考虑的是学习如何对以偏好判断的形式给出反馈的实例进行排序的问题，即，说明一个实例应该排在另一个实例之前。我们概述了一种两阶段的方法，在这种方法中，首先通过传统方法学习一个二进制偏好函数，该函数指示是否宜将一个实例排在另一个实例之前。在这里，我们考虑一种在线学习偏好函数的算法，该算法基于Freund和Schapire的“Hedge”算法。在第二阶段，对新实例进行排序，以最大限度地与所学习的偏好函数保持一致。我们证明了寻找与学习到的偏好函数最一致的排序问题是NP-完全的。然而，我们描述了一些简单的贪婪算法，这些算法可以保证找到一个好的近似值。最后，我们展示了如何将元搜索表述为一个排序问题，并给出了学习“搜索专家”组合的实验结果，每个组合都是web搜索引擎的特定领域查询扩展策略。
