基于直接優(yōu)化信息檢索評價方法的排序學習算法研究.pdf

1、隨著Web2.0時代的到來，互聯(lián)網(wǎng)信息呈現(xiàn)爆炸式增長。如何從海量信息中迅速找出用戶需要的數(shù)據(jù)成為了信息檢索研究的重點。排序是信息檢索系統(tǒng)的重要組成部分，傳統(tǒng)的檢索模型主要分為兩個類別，一類基于文檔內容，判定查詢與文檔的相關程度，稱為查詢依賴模型，如布爾模型，向量空間模型等;另一類基于鏈接分析，判定文檔自身的重要性，如PageRank，HITS等，稱為查詢獨立模型。這些模型各有特色，如何將它們結合起來，創(chuàng)建更高效的新模型成為了研究者關注的

2、焦點，排序學習技術(Learningto Rank)應運而生。排序學習使用機器學習技術來解決排序問題，有效提高了排序性能。目前排序學習方法主要歸為三類:基于單個文檔的點級（Pointwise）方法，基于文檔對的對級（Pairwise）方法，基于文檔列表的列表級(Listwise)方法;而基于文檔列表的列表級方法又可分為兩個子類，即直接優(yōu)化信息檢索評價方法和最小化列表級排序損失算法。直接優(yōu)化評價方法的排序學習算法將整個文檔列表作為一個對象

3、考慮，更加接近實際意義的排序，因此其排序性能一般優(yōu)于前兩類算法。本文對直接優(yōu)化信息檢索評價方法這一子類算法進行了研究，并提出了新的算法，進一步提升了排序學習模型的排序性能，主要成工作如下:
　　(1)本章中，我們提出了一種排序學習方法SVMERR，使用結構化SVM方法優(yōu)化信息檢索評價方法Expected Reciprocal Rank(ERR)，相比于優(yōu)化評價方法MAP和NDCG而言，優(yōu)化ERR評價方法對排序性能有更大的提升，ER

4、R評價方法基于級聯(lián)模型，將用戶瀏覽行為因素考慮進來，而結構化SVM方法能夠保證找到全局最優(yōu)解，因而將二者融合能夠有效的提升排序性能。
　　(2)本章中，我們擴展了基于Boosting框架的排序學習方法AdaRank，并將其用于優(yōu)化三種信息檢索評價方法:ERR, MRR和Q-measure。我們期望采用AdaRank排序框架優(yōu)化這三種評價方法能夠取得更好的排序性能。排序學習方法是基于特征的，而目前對于特征生成的研究很少，受此啟發(fā)，我