Learning to rank(排序学习)已经成为当今信息检索领域研究和讨论热点。它运用信息检索和机器学习领域的方法,结合相关性判断条件提供与查询更加相关的信息。当前的排序算法主要集中于相关性标注数据的使用,本文通过对相关性标注数据集...
详细信息
Learning to rank(排序学习)已经成为当今信息检索领域研究和讨论热点。它运用信息检索和机器学习领域的方法,结合相关性判断条件提供与查询更加相关的信息。当前的排序算法主要集中于相关性标注数据的使用,本文通过对相关性标注数据集以及非标注数据集合并后的集合进行奇异值分解,提取新的特征集合加入训练集中,引入非标注数据信息。通过实验对比了新特征集加入前后的RankBoost算法排序性能差异,以及新特征集合的大小对于排序结果的影响。实验表明,加入奇异值分解后选取的特征集合,有助于排序效果的提高。
暂无评论