Learning to Rank for Information Retrieval

با توجه به رشد سریع وب و مشکلات در یافتن اطلاعات مورد نظر، سیستم های بازیابی اطلاعات کارآمد و موثر بیش از هر زمان دیگری اهمیت یافته اند و موتور جستجو به ابزاری ضروری برای بسیاری از افراد تبدیل شده است.</ p>

رتبه‌بندی، جزء مرکزی در هر موتور جستجو، مسئول تطبیق بین پرس‌و‌جوهای پردازش شده و اسناد نمایه‌شده است. به دلیل نقش محوری آن، توجه زیادی به تحقیق و توسعه فناوری های رتبه بندی شده است. علاوه بر این، رتبه‌بندی برای بسیاری از برنامه‌های بازیابی اطلاعات دیگر، مانند فیلتر کردن مشارکتی، رتبه‌بندی تعریف، پاسخ‌گویی به سؤال، بازیابی چندرسانه‌ای، خلاصه‌سازی متن، و تبلیغات آنلاین نیز حیاتی است. استفاده از فناوری‌های یادگیری ماشین در فرآیند رتبه‌بندی منجر به مدل‌های رتبه‌بندی نوآورانه و مؤثرتر و در نهایت به یک حوزه تحقیقاتی کاملاً جدید به نام «یادگیری رتبه‌بندی» شده است.

لیو ابتدا مروری جامع از رویکردهای اصلی ارائه می‌کند. برای یادگیری رتبه بندی برای هر رویکرد، او چارچوب اصلی را با الگوریتم‌های مثالی ارائه می‌کند و مزایا و معایب آن را مورد بحث قرار می‌دهد. او به برخی پیشرفت‌های اخیر در یادگیری رتبه‌بندی ادامه می‌دهد که نمی‌توان آنها را به سادگی در سه رویکرد اصلی دسته‌بندی کرد - این رویکردها شامل رتبه‌بندی رابطه‌ای، رتبه‌بندی وابسته به پرس و جو، رتبه‌بندی انتقال و رتبه‌بندی نیمه نظارت شده است. ارائه او با چندین مثال که این فناوری‌ها را برای حل مشکلات بازیابی اطلاعات واقعی به کار می‌برد و با بحث‌های نظری در مورد تضمین رتبه‌بندی عملکرد تکمیل می‌شود.

این کتاب برای محققان و دانشجویان فارغ‌التحصیل در هر دو زمینه بازیابی اطلاعات و ماشین نوشته شده است. یادگیری. آنها در اینجا تنها توصیف جامع از وضعیت هنر در زمینه ای را خواهند یافت که باعث پیشرفت های اخیر در توسعه موتورهای جستجو شده است.

Due to the fast growth of the Web and the difficulties in finding desired information, efficient and effective information retrieval systems have become more important than ever, and the search engine has become an essential tool for many people.

The ranker, a central component in every search engine, is responsible for the matching between processed queries and indexed documents. Because of its central role, great attention has been paid to the research and development of ranking technologies. In addition, ranking is also pivotal for many other information retrieval applications, such as collaborative filtering, definition ranking, question answering, multimedia retrieval, text summarization, and online advertisement. Leveraging machine learning technologies in the ranking process has led to innovative and more effective ranking models, and eventually to a completely new research area called “learning to rank”.

Liu first gives a comprehensive review of the major approaches to learning to rank. For each approach he presents the basic framework, with example algorithms, and he discusses its advantages and disadvantages. He continues with some recent advances in learning to rank that cannot be simply categorized into the three major approaches – these include relational ranking, query-dependent ranking, transfer ranking, and semisupervised ranking. His presentation is completed by several examples that apply these technologies to solve real information retrieval problems, and by theoretical discussions on guarantees for ranking performance.

This book is written for researchers and graduate students in both information retrieval and machine learning. They will find here the only comprehensive description of the state of the art in a field that has driven the recent advances in search engine development.