2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩126頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、“信息檢索”(Information Retrieval),又稱為“情報檢索”,它是指將信息按一定方式組織和存貯起來,并針對用戶要求找出所需信息的過程。其核心問題是如何根據(jù)候選文檔(或候選網(wǎng)頁)和用戶給定查詢的相關(guān)性產(chǎn)生一個檢索模型。早期的信息檢索模型雖然構(gòu)造方法簡單,但精度較低,難以獲得用戶滿意的檢索結(jié)果。對此,近些年國外有學(xué)者提出把一種新的學(xué)習(xí)方法-排序?qū)W習(xí)(learning to rank)應(yīng)用到檢索模型的構(gòu)造上,以期獲得更精確的

2、檢索結(jié)果。所謂的排序?qū)W習(xí)是指,使用機器學(xué)習(xí)技術(shù)和有標(biāo)簽的數(shù)據(jù)自動產(chǎn)生一個檢索(排序)模型。由于在文檔檢索,協(xié)同濾波等領(lǐng)域的廣泛應(yīng)用,最近幾年排序?qū)W習(xí)的研究受到國內(nèi)外學(xué)者越來越多地關(guān)注,并成為逐漸當(dāng)前機器學(xué)習(xí)領(lǐng)域的一個研究熱點。
   本論文旨在研究基于排序?qū)W習(xí)的信息檢索模型。通過從Pointwise法,Pairwise法,Listwise法等多個角度設(shè)計更為高效的排序算法,以期構(gòu)造更為精確的排序模型。具體而言,論文的工作主要包括

3、以下幾個方面:
   (1)針對傳統(tǒng)Ranking SVM算法得到的排序模型在用NDCG等信息檢索標(biāo)準(zhǔn)來評價效果不好。提出一種對原算法的改進(jìn)算法。新算法首先設(shè)計了一個查詢級的框架,在此基礎(chǔ)上定義了一個面向NDCG的目標(biāo)函數(shù),針對該目標(biāo)的非光滑,提出使用割平面算法進(jìn)行求解?;鶞?zhǔn)數(shù)據(jù)集上的實驗證明了所提算法的有效性。
   (2)針對已有“直接優(yōu)化評估標(biāo)準(zhǔn)”算法或基于“Pairwise”法或基于“Listwise”法。而對于

4、使用“Pointwise”法解決上述問題缺乏關(guān)注,提出兩個基于“Pointwise”法的排序算法。兩算法均以NDCG為優(yōu)化目標(biāo),但定義了不同的目標(biāo)函數(shù)并使用了不同的優(yōu)化技術(shù)。具體而言,第一個算法使用基于margin-rescaling的算法框架,在此基礎(chǔ)上設(shè)計了面向NDCG的凸目標(biāo)函數(shù),并提出使用割平面算法進(jìn)行求解。針對已有割平面算法對割平面的選擇,往往使“主問題”值的變化存在一定的波動,降低算法的效率。文中給出一個高效線性搜索算法,以

5、此決定新的割平面選擇,保證了“主問題”值變化地單調(diào)遞減。第二個算法采用基于slack-resealing的算法框架,并定義了面向NDCG的一個非凸目標(biāo)函數(shù),該函數(shù)比已有的凸目標(biāo)函數(shù)更加緊湊。針對函數(shù)的非凸非光滑,提出首先使用凹-凸過程進(jìn)行逼近,然后再使用割平面算法進(jìn)行求解?;鶞?zhǔn)數(shù)據(jù)集上的實驗證明了所提算法的有效性。
   (3)提出一種結(jié)合Listwise法和Pairwise法的新型排序算法。算法將排序?qū)W習(xí)分為兩個階段,第一階段

6、為“主學(xué)習(xí)”階段,該階段采用Listwise法,在本階段算法首先選擇1-slack SVM為學(xué)習(xí)工具,然后定義了學(xué)習(xí)目標(biāo),該目標(biāo)更關(guān)注排名靠前的相關(guān)文檔。針對目標(biāo)函數(shù)的約束條件太多,難以直接計算,提出使用割平面算法進(jìn)行求解。對于算法內(nèi)部的“尋找最違背排列”的子過程,提出將其看成一個降序排列的過程,并使用快速排序法求解。算法的第二個階段為第一階段基礎(chǔ)上的“再次精化”。為此,算法采用Pairwise法的框架,并將原RankingSVM的凸鉸

7、鏈函數(shù),變?yōu)榉峭筍igmoid函數(shù),確保了第二階段解為原解基礎(chǔ)上的局部最優(yōu)?;鶞?zhǔn)數(shù)據(jù)集上的實驗結(jié)果表明:相比起已有的Pairwise算法和直接優(yōu)化評估標(biāo)準(zhǔn)的Listwise算法,本文提出的兩階段排序算法所獲得的模型更為精確,在不同等級數(shù)據(jù)集上的表現(xiàn)也更加穩(wěn)定。
   (4)針對已有Ranking SVM算法對異常點比較敏感,提出利用非凸Ramp Loss來抑制異常點的影響。具體來說,文中對原有的Ranking SVM算法提出了兩

8、種改進(jìn)的算法。一種是直接將原有的凸Hinge Loss變成非凸Ramp Loss,針對該目標(biāo)函數(shù)的非凸非光滑,提出使用凹-凸過程進(jìn)行凸逼近,然后使用在線學(xué)習(xí)進(jìn)行學(xué)習(xí);另一種是將“選擇樣本技術(shù)”引入到對訓(xùn)練數(shù)據(jù)的預(yù)處理中來,即利用Ramp Loss函數(shù)作為過濾器,刪除那些可能的異常點數(shù)據(jù),并用剩余的數(shù)據(jù)進(jìn)行學(xué)習(xí)。不同數(shù)據(jù)集上的實驗結(jié)果表明:相比起已有的Ranking SVm算法,所提算法能夠有效的抑制異常點的影響,獲得更精確的排序模型,同

9、時,由于算法具有更少的支持向量,在運行時間上也具有明顯的優(yōu)勢。
   作為信息檢索和機器學(xué)習(xí)的一個交叉課題,本文的研究具有重要的意義。一方面研究的成果可直接應(yīng)用于文檔檢索,協(xié)同濾波,專家發(fā)現(xiàn),情感分析,過濾垃圾郵件等領(lǐng)域。另一方面,文中用到的一些機器學(xué)習(xí)方面的理論和優(yōu)化方法,對于其它相關(guān)研究,比如:自然語言解析(natural language parsing)、生物信息中序列對比(sequence alignment)、標(biāo)簽序

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論