7. RECENCY-SENSITIVE RANKING
作用：
为recency-sensitive的query提高排序质量；
对于这类query，用户不仅要相关的还需要最新的信息；
方法：recency-demoted relevance
1） 对每篇doc，按照它的freshness程度进行分级：very fresh, fresh, slightly out-dated, stale, 和 non-time-sensitive（与时间无关）；
2） 在base relevance的基础上，根据freshness进一步调整relevance：
| VF | F | SO | S | NT | |
| Perfect | Perfect | Perfect | Excellent | Good | Perfect |
| Excellent | Perfect | Excellent | Good | Fair | Excellent |
| Good | Good | Good | Fair | Bad | Good |
| Fair | Fair | Fair | Bad | Bad | Fair |
| Bad | Bad | Bad | Bad | Bad | Bad |
3）数据：“收集training data”
- 寻找大量的近期标签是不太可能的事情，因为近期的标签总是很快就out of data；
- 因此需要利用a large relevance dataset without recency labels and a small recency dataset for building the recency ranker；
4）公式：（待添加）
备注：
- 其中freshness组件是基于recency dataset训练得到的：通过time-sensitive classifier来决定此component是否要被添加；
- frel(x)代表基本的ranker；rfresh(x)代表freshness组件；cts代表time-sensitivity分类器；
- 仅当Cts表明x为time-sensitive query-url对时，rfresh(x)才被添加；
重点：time-sensitive classifier的训练；freshness component；
1） time-sensitive classifier
use the recency dataset and transform the freshness labels into binary labels (eg:non-time-sensitive to negative and other labels to positive) and train a binary classfier；
2）build rfresh(x)
use the frel(x) as the base ranker, and add more trees to optimize the goal of recency-demoted relevance；
8. LOCATION-SENSITIVE RANKING
location-sensitive query：
一些query的搜索结果与location关系密切，此类query我们称之为location-sensitive queries， 分为：
explicit local query - queries with specific location names(eg:"restaurants Boston");
implicit local query - queries without location but with location-sensitive intention(eg:"restaurant");
方法：通过query和url直接的距离d(query, url)来计算；
但如果使用过去的learning-to-rank模型的话，d(query, url)特征的影响不大，所以新建以下模型用来计算 -
模型：location boosting rankin model
1）分别从query和web page中提取出location：
- explicit local query - directly parse the location in explicit local query;
- implicit local query - use use's location;
- web pages - extracted based on the query-url click graph from search logs，or parse the locations from urls directly;
2）根据各自的location，计算query和web page之间的距离：
公式（待加）
以上logistic function考虑到base relevance和location之间的距离两个因素：
- 当doc的url地址和用户很接近，而且doc的内容也和query匹配时，对该doc进行提权操作；
- 若doc的url地址和用户很接近，但是doc的内容与query不相关，将不对该doc提权，ranking结果此时仅有base ranking function决定；
- 若doc的内容与query相关度很高，但doc的url地址与用户相隔很远，将不对该doc提权，ranking结果此时仅有base ranking function决定；
备注：
d^(query,url)代表d(query,url)的归一化，范围为[0,1]；
fb(x)表示基于base ranking function得到的query和url的相关度；
3）参数的确定：
参数w, α, β通过以下公式由成对的数据确定 -
公式（待加）
备注：
其中P={（pi, pj）| pi > pj}是对于同一个query的一系列url pairs，pi > pj表示pi的相关性好于pj；
我们通过standard gradient descent approach来得到参数的最优化结果；
9. CONCLUSION
In this paper, we introduce the comprehensive relevance solutions of Yahoo search.