ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Learning to Rank for Information Retrieval and Natural Language Processing

دانلود کتاب آموزش رتبه بندی برای بازیابی اطلاعات و پردازش زبان طبیعی

Learning to Rank for Information Retrieval and Natural Language Processing

مشخصات کتاب

Learning to Rank for Information Retrieval and Natural Language Processing

ویرایش: [1 ed.] 
نویسندگان:   
سری: Synthesis Lectures on Human Language Technologies 
ISBN (شابک) : 1608457079, 9781608457076 
ناشر: Morgan & Claypool Publishers 
سال نشر: 2011 
تعداد صفحات: 115 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 Mb 

قیمت کتاب (تومان) : 52,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Learning to Rank for Information Retrieval and Natural Language Processing 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 آموزش رتبه بندی برای بازیابی اطلاعات و پردازش زبان طبیعی 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 آموزش رتبه بندی برای بازیابی اطلاعات و پردازش زبان طبیعی

یادگیری رتبه‌بندی به تکنیک‌های یادگیری ماشین برای آموزش مدل در یک کار رتبه‌بندی اشاره دارد. یادگیری رتبه بندی برای بسیاری از کاربردها در بازیابی اطلاعات، پردازش زبان طبیعی و داده کاوی مفید است. اخیراً مطالعات فشرده ای در مورد این مشکل انجام شده و پیشرفت قابل توجهی حاصل شده است. این سخنرانی به معرفی این حوزه از جمله مشکلات اساسی، رویکردهای موجود، نظریه ها، کاربردها و کارهای آینده می پردازد. نویسنده با نشان دادن اینکه مسائل مختلف رتبه‌بندی در بازیابی اطلاعات و پردازش زبان طبیعی را می‌توان به عنوان دو وظیفه رتبه‌بندی اساسی، یعنی ایجاد رتبه‌بندی (یا صرفاً رتبه‌بندی) و تجمیع رتبه‌بندی، شروع کرد. در ایجاد رتبه‌بندی، با توجه به درخواست، فرد می‌خواهد فهرست رتبه‌بندی پیشنهادات را بر اساس ویژگی‌های به دست آمده از درخواست و پیشنهادات ایجاد کند. در تجمیع رتبه‌بندی، با توجه به درخواست، و همچنین تعدادی فهرست رتبه‌بندی پیشنهادها، می‌خواهید فهرست رتبه‌بندی جدیدی از پیشنهادها ایجاد کنید. ایجاد رتبه (یا رتبه بندی) مشکل اصلی در یادگیری رتبه بندی است. معمولاً به عنوان یک کار یادگیری تحت نظارت رسمیت می یابد. نویسنده توضیحات مفصلی در مورد یادگیری برای ایجاد رتبه‌بندی و تجمیع رتبه‌بندی، از جمله آموزش و آزمایش، ارزیابی، ایجاد ویژگی و رویکردهای اصلی ارائه می‌دهد. روش های زیادی برای ایجاد رتبه بندی پیشنهاد شده است. روش‌ها را می‌توان به‌عنوان رویکردهای نقطه‌ای، زوجی و فهرستی با توجه به توابع ضرری که به کار می‌گیرند، دسته‌بندی کرد. همچنین می‌توان آن‌ها را بر اساس تکنیک‌هایی که استفاده می‌کنند، مانند رویکردهای مبتنی بر SVM، تقویت SVM، و مبتنی بر شبکه عصبی دسته‌بندی کرد. نویسنده همچنین برخی از یادگیری های رایج را برای رتبه بندی روش ها با جزئیات معرفی می کند. اینها عبارتند از PRank، OC SVM، رتبه بندی SVM، IR SVM، GBRank، RankNet، LambdaRank، ListNet


توضیحاتی درمورد کتاب به خارجی

Learning to rank refers to machine learning techniques for training the model in a ranking task. Learning to rank is useful for many applications in information retrieval, natural language processing, and data mining. Intensive studies have been conducted on the problem recently and significant progress has been made. This lecture gives an introduction to the area including the fundamental problems, existing approaches, theories, applications, and future work. The author begins by showing that various ranking problems in information retrieval and natural language processing can be formalized as two basic ranking tasks, namely ranking creation (or simply ranking) and ranking aggregation. In ranking creation, given a request, one wants to generate a ranking list of offerings based on the features derived from the request and the offerings. In ranking aggregation, given a request, as well as a number of ranking lists of offerings, one wants to generate a new ranking list of the offerings. Ranking creation (or ranking) is the major problem in learning to rank. It is usually formalized as a supervised learning task. The author gives detailed explanations on learning for ranking creation and ranking aggregation, including training and testing, evaluation, feature creation, and major approaches. Many methods have been proposed for ranking creation. The methods can be categorized as the pointwise, pairwise, and listwise approaches according to the loss functions they employ. They can also be categorized according to the techniques they employ, such as the SVM based, Boosting SVM, Neural Network based approaches. The author also introduces some popular learning to rank methods in details. These include PRank, OC SVM, Ranking SVM, IR SVM, GBRank, RankNet, LambdaRank, ListNet & ListMLE, AdaRank, SVM MAP, SoftRank, Borda Count, Markov Chain, and CRanking. The author explains several example applications of learning to rank including web search, collaborative filtering, definition search, keyphrase extraction, query dependent summarization, and re-ranking in machine translation. A formulation of learning for ranking creation is given in the statistical learning framework. Ongoing and future research directions for learning to rank are also discussed. Table of Contents: Introduction / Learning for Ranking Creation / Learning for Ranking Aggregation / Methods of Learning to Rank / Applications of Learning to Rank / Theory of Learning to Rank / Ongoing and Future Work



فهرست مطالب

Preface
Learning to Rank
	Ranking
	Learning to Rank
	Ranking Creation
	Ranking Aggregation
	Learning for Ranking Creation
	Learning for Ranking Aggregation
Learning for Ranking Creation
	Document Retrieval as Example
	Learning Task
		Training and Testing
		Training Data Creation
		Feature Construction
		Evaluation
		Relations with Other Learning Tasks
	Learning Approaches
		Pointwise Approach
		Pairwise Approach
		Listwise Approach
		Evaluation Results
Learning for Ranking Aggregation
	Learning Task
	Learning Methods
Methods of Learning to Rank
	PRank
		Model
		Learning Algorithm
	OC SVM
		Model
		Learning Algorithm
	Ranking SVM
		Linear Model as Ranking Function
		Ranking SVM Model
		Learning Algorithm
	IR SVM
		Modified Loss Function
		Learning Algorithm
	GBRank
		Loss Function
		Learning Algorithm
	RankNet
		Loss Function
		Model
		Learning Algorithm
		Speed up of Training
	LambdaRank
		Loss Function
		Learning Algorithm
	ListNet and ListMLE
		Plackett-Luce model
		ListNet
		ListMLE
	AdaRank
		Loss Function
		Learning Algorithm
	SVM MAP
		Loss Function
		Learning Algorithms
	SoftRank
		Soft NDCG
		Approximation of Rank Distribution
		Learning Algorithm
	Borda Count
	Markov Chain
	Cranking
		Model
		Learning Algorithm
		Prediction
Applications of Learning to Rank
Theory of Learning to Rank
	Statistical Learning Formulation
	Loss Functions
	Relations between Loss Functions
	Theoretical Analysis
Ongoing and Future Work
Bibliography
Author's Biography




نظرات کاربران