直接寻优排序学习模型研究.pdf

摘要 在信息检索中，网页排序是一个关乎用户体验的重要问题，在海量的数据中 如何将用户最关心的网页最先呈现给用户越来越受到人们的重视。排序学习作为 最新的研究热点，在网页排序中发挥着举足轻重的作用。 排序学习中，一个关键的问题是如何开发一个模型来直接优化信息检索的评 DiscountedCumulative 价准则，如平均精度(MAP)、NDCG(NormalizedGainl，很 多方法已经被提出并且被证明是有效的。 在排序学习中需要大量的标注数据作为训练集，而数据标注是非常耗费人力 的，能不能建立一种通用的模型，只使用一个领域的标注数据就可以为其他领域 的数据做预测，这种好奇心驱使着研究人员做出了很多努力，并且也取得了一定 的成果。本文中提出一种基于重要性加权方法的直推式模型，通过直接估计测试 数据和训练数据的密度比，可以给每个训练查询确定一个权重，体现了训练数据 对模型的重要性，针对特定的测试数据训练出特定的排序模型。 信息检索的评价准则是不连续的，很多研究者都希望通过寻找一个评价准则 的连续上界，然后再在这个上界上做优化。本文从直接对不连续的评价准则进行 优化的角度考虑，同时借用AdaBoost和AdaRank的思想，建立了一个直推式模 优于AdaRank、RankSVM和RankBoost。 进化算法是一类借鉴生物界的进化规律演化而来的随机化搜索方法，其主要 特点是直接对结构对象进行操作，不存在求导和函数连续性的限定，具有内在的 隐并行性和更好的全局寻优能力，适合用于对不连续的信息检索评价准则进行寻 优，本文分别建立了基于遗传算法和微粒群算法的排序模型GARank和 PSORank，实验结果表明，本文提出的基于进化算法的模型能够比当前流行的排 序模型取得更好的性能。 关罐词：排序学习直接寻优直推式学习遗传算法微粒群算法 ABSTRACT isan issuerelatedtouser ininformationretrieval， Rankingimportant experience a result has moreandmoreattention．As theretrieved howtorank correctlygained in torank a role ranking． newresearch veryimportantpage focus，learningplays torankis to that thecentralissuesin algorithms Oneof leaming develop usedin construct models evaluationmeasures ranking bydirectlyoptimizing Normalized retrievalsuchasMean Precision(MAP)and information Average