دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Dynamic Information Retrieval Modeling
دانلود کتاب مدل سازی بازیابی اطلاعات پویا
مشخصات کتاب
Dynamic Information Retrieval Modeling
ویرایش: نویسندگان: Grace Hui Yang, Marc Sloan, Jun Wang سری: Synthesis Lectures on Information Concepts, Retrieval, and Services ISBN (شابک) : 9781627055260 ناشر: Morgan & Claypool سال نشر: 2016 تعداد صفحات: 127 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 Mb
قیمت کتاب (تومان) : 39,000
در صورت تبدیل فایل کتاب Dynamic Information Retrieval Modeling به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل سازی بازیابی اطلاعات پویا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب مدل سازی بازیابی اطلاعات پویا
کلان داده و بازیابی اطلاعات انسان-رایانه (HCIR) در حال تغییر IR هستند. آنها تغییرات پویا در داده ها و تعاملات پویا کاربران با سیستم های IR را ثبت می کنند. یک سیستم پویا سیستمی است که در طول زمان یا توالی رویدادها تغییر می کند یا تطبیق می یابد. بسیاری از سیستم‌ها و داده‌های IR مدرن این ویژگی‌ها را نشان می‌دهند که تا حد زیادی توسط تکنیک‌های مرسوم نادیده گرفته می‌شوند. چیزی که وجود ندارد، توانایی مدل برای تغییر در طول زمان و پاسخگویی به محرک است. اسناد، ارتباط، کاربران و وظایف همگی رفتار پویایی را نشان می‌دهند که در مجموعه داده‌هایی که معمولاً در بازه‌های زمانی طولانی جمع‌آوری می‌شوند، ثبت می‌شوند و مدل‌ها باید به این تغییرات پاسخ دهند. علاوه بر این، اندازه مجموعه داده های مدرن محدودیت هایی را در میزان یادگیری یک سیستم ایجاد می کند. علاوه بر این، در رابط IR، شخصی‌سازی و مدل‌های تقاضای نمایش تبلیغات پیشرفت کرده است که می‌توانند در زمان واقعی و به روشی هوشمندانه و متنی به کاربران واکنش نشان دهند. در این کتاب، مقدمه‌ای جامع و به‌روز درباره مدل‌سازی بازیابی اطلاعات پویا، مدل‌سازی آماری سیستم‌های IR که می‌توانند با تغییرات سازگار شوند، ارائه می‌کنیم. ما دینامیک را تعریف می‌کنیم، معنای آن را در زمینه IR و نمونه‌هایی از مشکلات را که در آن دینامیک نقش مهمی بازی می‌کند، برجسته می‌کنیم. ما تکنیک‌هایی را از بازخورد کلاسیک مرتبط تا آخرین کاربردهای فرآیندهای تصمیم‌گیری مارکوف تا حدی قابل مشاهده (POMDPs) و تعداد انگشت شماری از الگوریتم‌ها و ابزارهای مفید برای حل مشکلات IR با ترکیب دینامیک پوشش می‌دهیم. مؤلفه نظری حول فرآیند تصمیم گیری مارکوف (MDP)، یک چارچوب ریاضی برگرفته از حوزه هوش مصنوعی (AI) است که ما را قادر می سازد مدل هایی بسازیم که بر اساس ورودی های متوالی تغییر می کنند. ما چارچوب و الگوریتم‌هایی را که معمولاً برای بهینه‌سازی استفاده می‌شوند تعریف می‌کنیم و آن را به مواردی تعمیم می‌دهیم که ورودی‌ها قابل اعتماد نیستند. ما موضوع یادگیری تقویتی را به طور گسترده تری بررسی می کنیم و ابزار دیگری به نام راهزن چند مسلح را معرفی می کنیم که برای مواردی که کاوش پارامترهای مدل سودمند است مفید است. به دنبال این، نظریه‌ها و الگوریتم‌هایی را معرفی می‌کنیم که می‌توانند برای ترکیب دینامیک در یک مدل IR قبل از ارائه مجموعه‌ای از تحقیقات پیشرفته‌ای که قبلاً انجام شده‌اند، مانند حوزه‌های جستجوی جلسه و تبلیغات آنلاین، استفاده شوند. تغییر در قلب سیستم‌های بازیابی اطلاعات مدرن است و این کتاب به خواننده کمک می‌کند تا ابزارها و دانش مورد نیاز برای درک مدل‌سازی بازیابی اطلاعات پویا را تجهیز کند.
توضیحاتی درمورد کتاب به خارجی
Big data and human-computer information retrieval (HCIR) are changing IR. They capture the dynamic changes in the data and dynamic interactions of users with IR systems. A dynamic system is one which changes or adapts over time or a sequence of events. Many modern IR systems and data exhibit these characteristics which are largely ignored by conventional techniques. What is missing is an ability for the model to change over time and be responsive to stimulus. Documents, relevance, users and tasks all exhibit dynamic behavior that is captured in data sets typically collected over long time spans and models need to respond to these changes. Additionally, the size of modern datasets enforces limits on the amount of learning a system can achieve. Further to this, advances in IR interface, personalization and ad display demand models that can react to users in real time and in an intelligent, contextual way. In this book we provide a comprehensive and up-to-date introduction to Dynamic Information Retrieval Modeling, the statistical modeling of IR systems that can adapt to change. We define dynamics, what it means within the context of IR and highlight examples of problems where dynamics play an important role. We cover techniques ranging from classic relevance feedback to the latest applications of partially observable Markov decision processes (POMDPs) and a handful of useful algorithms and tools for solving IR problems incorporating dynamics. The theoretical component is based around the Markov Decision Process (MDP), a mathematical framework taken from the field of Artificial Intelligence (AI) that enables us to construct models that change according to sequential inputs. We define the framework and the algorithms commonly used to optimize over it and generalize it to the case where the inputs aren't reliable. We explore the topic of reinforcement learning more broadly and introduce another tool known as a Multi-Armed Bandit which is useful for cases where exploring model parameters is beneficial. Following this we introduce theories and algorithms which can be used to incorporate dynamics into an IR model before presenting an array of state-of-the-art research that already does, such as in the areas of session search and online advertising. Change is at the heart of modern Information Retrieval systems and this book will help equip the reader with the tools and knowledge needed to understand Dynamic Information Retrieval Modeling.
