• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Foundations and trends in information retrieval >Learning to Rank for Information Retrieval
【24h】

Learning to Rank for Information Retrieval

机译：学习信息检索排名

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Learning to rank for Information Retrieval (IR) is a task to automat­ically construct a ranking model using training data, such that the model can sort new objects according to their degrees of relevance, preference, or importance. Many IR problems are by nature rank­ing problems, and many IR technologies can be potentially enhanced by using learning-to-rank techniques. The objective of this tutorial is to give an introduction to this research direction. Specifically, the existing learning-to-rank algorithms are reviewed and categorized into three approaches: the pointwise, pairwise, and listwise approaches. The advantages and disadvantages with each approach are analyzed, and the relationships between the loss functions used in these approaches and IR evaluation measures are discussed. Then the empirical evalua­tions on typical learning-to-rank methods are shown, with the LETOR collection as a benchmark dataset, which seems to suggest that the list-wise approach be the most effective one among all the approaches. After that, a statistical ranking theory is introduced, which can describe dif­ferent learning-to-rank algorithms, and be used to analyze their query-level generalization abilities. At the end of the tutorial, we provide a summary and discuss potential future work on learning to rank.
机译：学习对信息检索（IR）进行排名是一项使用训练数据自动构建排名模型的任务，以便该模型可以根据新对象的相关程度，偏好或重要性对其进行排序。本质上，许多IR问题都是排名问题，并且可以使用按等级学习的技术来潜在地增强许多IR技术。本教程的目的是介绍该研究方向。具体而言，对现有的学习排名算法进行了审查，并将其分为三种方法：逐点，成对和列表方法。分析了每种方法的优缺点，并讨论了这些方法中使用的损失函数与IR评估方法之间的关系。然后以LETOR集合作为基准数据集，显示了对典型学习排名方法的经验评估，这似乎表明以列表方式是所有方法中最有效的一种。之后，介绍了一种统计排名理论，该理论可以描述不同的学习排名算法，并可以用来分析其查询级别的泛化能力。在本教程的最后，我们提供了摘要，并讨论了未来学习排名的潜在工作。

著录项

  • 来源
    《Foundations and trends in information retrieval》 |2009年第3期|p.A61-3133-5355-6365-101103-110|共107页
  • 作者

    Tie-Yan Liu;

  • 作者单位

    Microsoft Research Asia, Sigma Center, No. 49, Zhichun Road, Haidian District, Beijing, 100190, P. R. China;

  • 收录信息
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号