learning to rank(LTR) 是一种解决排序问题的算法,主要应用于搜索引擎,广告推荐,信息检索等领域,目标是提升排序的质量。LTR算法通常使用监督学习的方法,利用相关性标注(专家标注或半监督学习)或利用用户浏览、点击等行为数据作为标签来训练模型。 二、评价指标 2.1 NDCG NDCG:Normalized Discounted Cumulative Gain 归一...
主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高),MAP就可能越高。如果系统没有返回相关文档,则准确率默认为0。 例如:假设有两个主题,主题1有4个相关网页,主题2有5个相关网页。某系统对于主题1检索出4个相关网...
文章【5】中给出了essential loss是1 - MAP 以及 1 - NDCG上界,同时也是很多Pairwise损失函数下界的证明。 3、The Listwise Approach 在ListwiseRank读书笔记的文章中,我们知道了ListwiseRank分为两类:1,基于评价指标设计的损失函数 2,不考虑评价指标设计的损失函数。 因此针对Listwise Approach,同样按这两类分开讲...
主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高),MAP就可能越高。如果系统没有返回相关文档,则准确率默认为0。 例如:假设有两个主题,主题1有4个相关网页,主题2有5个相关网页。某系统对于主题1检索出4个相关网...
Learning to rank(简写 LTR、L2R) 也叫排序学习,指的是机器学习中任何用于排序的技术。 01 LTR引言 1.1 LTR的出现背景 利用机器学习技术来对搜索结果进行排序,这是最近几年非常热门的研究领域。信息检索领域已经发展了几十年,为何将机器学习技术和信息检索技术相互结合出现较晚?主要有两方面的原因。
MAP,全称为 Mean Average Precision,即平均准确率。对于每个真实相关的文档,考虑其在模型排序结果中的位置 P,统计该位置之前的文档集合的分类准确率,取所有这些准确率的平均值。 对于一个 Query,原本有 4 个相关结果,查询时将 4 个结果都查询出来了,其 rank 分别为 1, 2, 4, 7,则 MAP 为 (1/1 + 2/...
Learning to Rank 简介 去年实习时,因为项目需要,接触了一下Learning to Rank(以下简称L2R),感觉很有意思,也有很大的应用价值。L2R将机器学习的技术很好的应用到了排序中,并提出了一些新的理论和算法,不仅有效地解决了排序的问题,其中一些算法(比如LambdaRank)的思想非常新颖,可以在其他领域中进行借鉴。鉴于排序在许...
Learning to Rank (LTR)是一类技术方法,主要利用机器学习算法解决实际中的排序问题。传统的机器学习主要解决的问题是一个分类或者回归问题,比如对一个样本数据预测对应的类别或者预测一个数值分值。而LTR解决的是一个排序问题,对一个list的item进行一个排序,所以LTR并不太关注这个list的每个item具体得多少分值,更关注...
Learning to Rank 简介 去年实习时,因为项目需要,接触了一下Learning to Rank(以下简称L2R),感觉很有意思,也有很大的应用价值。L2R将机器学习的技术很好的应用到了排序中,并提出了一些新的理论和算法,不仅有效地解决了排序的问题,其中一些算法(比如LambdaRank)的思想非常新颖,可以在其他领域中进行借鉴。鉴于排序在许...
LearningtoRank(LTR)是指一系列基于机器学习的排序算法,最初主要应用于信息检索(InformationRetrieval,IR)领域,最典型的是解决搜索引擎对搜索结果的排序问题。除了信息检索以外,LearningtoRank也被应用到许多其他排序问题上,如商品推荐、计算广告、生物信息学等。