تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله رویکرد لیست محور برای یادگیری رتبه بندی

عنوان فارسی: رویکرد لیست محور برای یادگیری رتبه بندی: تئوری و الگوریتم
عنوان انگلیسی: Listwise Approach to Learning to Rank - Theory and Algorithm
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 13
سال انتشار : 2008 فرمت مقاله انگلیسی : PDF
فرمت ترجمه مقاله : ورد تایپ شده کد محصول : 8880
محتوای فایل : zip حجم فایل : 823.49Kb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و فناوری اطلاعات
گرایش های مرتبط با این مقاله: هوش مصنوعی، مدیریت سیستم های اطلاعات
مجله: بیست و پنجمین کنفرانس بین المللی یادگیری ماشین - 25 th International Conference on Machine Learning
دانشگاه: موسسه اتوماسیون، آکادمی علوم چینی، پکن، چین
وضعیت ترجمه عناوین تصاویر : ترجمه شده است
وضعیت ترجمه متون داخل تصاویر : ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. مطالعات مربوطه

3. رویکرد لیستی

4. تحلیل نظری

4-1 ویژگی های تابع زیان

4-2 پیوستگی

4-3 مطالعات موردی

4-3-1 زیان احتمالی

4-3-2 زیان کوسینوس

4-3-3 زیان انتروپی متقابل

5-LisTMLE

6- نتایج ازمایش

6-2 ازمایش بر روی داده های OHSUMED

7- نتیجه گیری

نمونه متن انگلیسی

Abstract

This paper aims to conduct a study on the listwise approach to learning to rank. The listwise approach learns a ranking function by taking individual lists as instances and minimizing a loss function defined on the predicted list and the ground-truth list. Existing work on the approach mainly focused on the development of new algorithms; methods such as RankCosine and ListNet have been proposed and good performances by them have been observed. Unfortunately, the underlying theory was not sufficiently studied so far. To amend the problem, this paper proposes conducting theoretical analysis of learning to rank algorithms through investigations on the properties of the loss functions, including consistency, soundness, continuity, differentiability, convexity, and effi- ciency. A sufficient condition on consistency for ranking is given, which seems to be the first such result obtained in related research. The paper then conducts analysis on three loss functions: likelihood loss, cosine loss, and cross entropy loss. The latter two were used in RankCosine and ListNet. The use of the likelihood loss leads to the development of a new listwise method called ListMLE, whose loss function offers better properties, and also leads to better experimental results.

نمونه متن ترجمه

چکیده

هدف این مقاله انجام مطالعه ای بر روی رویکرد لیست محور برای یادگیری رتبه بندی می باشد. این رویکرد، یک تابع رتبه بندی را با در نظر گرفتن لیست های فردی به صورت نمونه و کمینه سازی تابع زیان تعریف شده در لیست واقعی و پیش بینی شده آموزش می دهد. کار های موجود در خصوص این رویکرد بر توسعه الگوریتم های جدید متمرکز است و روش هایی نظیر RankCosine وListNet پیشنهاد شده اند و عملکرد خوب آن ها مشاهده شده است. متاسفانه، تئوری اصلی و اولیه به طور کامل مطالعه نشده است. برای حل مسئله، این مقاله یک تحلیل نظری بر روی یادگیری جهت رتبه بندی الگوریتم را از طریق بررسی ویژگی های تابع زیان، مشتق پذیری، تحدب و نیز کارایی پیشنهاد می کند. یک شرط کافی برای پیوستگی رتبه بندی ارایه شده است که این مقاله تحلیلی را بر روی سه تابع زیان انجام می دهد. زیان احتمالی، زیان کوسینوس و زیان انتروپی. دو مورد اخیر در RankCosine وListNet مورد استفاده قرار می گیرند. کاربرد زیان احتمالی منجر به توسعه یک روش موسوم بخ LISTMLE شده است که تابع زیان آن ویژگی های بهتری را ارایه کرده و منجر به نتایج ازمایشی بهتر می گردد.