Search engine optimization using online learning algorithms

Abstract

В данной работе рассматривается современный подход к задаче обучения ранжированию в онлайн режиме с использованием кликов как основной обратной связи от пользователей. Проводится подробный обзор текущего лучшего результата, основанного на алгоритме многорукого бандита и на основании его анализа предлагается новый подход - оптимизация поисковой выдачи с использованием генетического алгоритма. Для нового подхода приведена подробная теоретическая база и выдвинуты гипотезы о его качестве относительно существующих подходов. Для проверки гипотез проведен численный эксперимент на открытых данных, показывающий, что предложенный подход действительно значительно улучшает качество ранжирования в онлайн-режиме.

This thesis presents a modern approach to online learning to rank task with clicks as the main feedback from users of search engine. First, general overview of state of the art algorithm, dueling bandit gradient descent and its modifications, is present and on that basis a new approach is formulated - search engine optimization using genetic algorithm. This new approach is described in details and main hypotheses about it performance compared to existing methods are formulated. To check if the hypotheses are valid, a learning experiment on open data is conducted. The results of the experiment shows significant improvement of online ranking quality.