網(wǎng)頁學習排序算法研究.pdf

1、高端先進的信息技術,將我們帶入了一個浩如煙海的數(shù)字時代。大量數(shù)據(jù)的涌入使得搜索引擎變得越來越重要,如何從海量數(shù)據(jù)中快速定位所需信息顯得異常關鍵。搜索引擎包含多個組成部分,其中網(wǎng)頁排序是搜索引擎設計的核心問題,它決定著搜索引擎排序結果,直接影響著搜索引擎的性能和用戶體驗。信息檢索領域有許多網(wǎng)頁排序算法,大致可歸類為樣本點級別方法模型、樣本對級別方法模型以及樣本列表級別方法模型。研究者們在這三類方法中運用多種算法做了很多貢獻,然而對網(wǎng)頁學習

2、排序算法的研究仍處于白熱化階段。
　　針對網(wǎng)頁學習排序問題,本文首先SVM(Support Vector Machine)分別從樣本點級別和樣本對級別建立了基于SVM的網(wǎng)頁學習排序模型。求解部分運用交叉檢驗的思想選擇SVM模型中的參數(shù),同時進行了核函數(shù)選擇分析;在數(shù)據(jù)分析與處理時,選取了部分特征數(shù)據(jù)進行可視化以及數(shù)據(jù)分維分析,為消除數(shù)據(jù)量綱影響在預處理部分做了歸一化處理。在樣本對方法下的SVM網(wǎng)頁排序模型求解中,本文采用隨機排序配

3、對方法得到訓練樣本。接著,運用啟發(fā)式方法建立了遺傳算法優(yōu)化BP(BackPropagation)神經(jīng)網(wǎng)絡學習排序模型。該模型利用遺傳算法的尋優(yōu)能力,得到較好的BP網(wǎng)絡初始權值和閾值,以提高BP網(wǎng)絡的性能。為減輕BP網(wǎng)絡訓練復雜度,求解部分運用主成分分析法將訓練數(shù)據(jù)進行了壓縮,在保證較高的數(shù)據(jù)保真度時使壓縮后的數(shù)據(jù)維度降至使BP網(wǎng)絡結構合適的程度。最后,基于Boosting思想建立了基于Boosting算法的網(wǎng)頁排序模型,旨在研究強學習排