دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Hang Li
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
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.
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
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
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