QQ客服 官方微博 反馈留言

	基于查询聚类的排序学习算法
	花贵春 ; 张敏 ; 刘奕群 ; 马少平 ; 茹立云 ; Guichun Hua ; Min Zhang ; Yiqun Liu ; Shaoping Ma ; Liyun Ru
	2010-07-15 ; 2010-07-15
会议名称	第五届全国信息检索学术会议论文集 ; 第五届全国信息检索学术会议 ; 中国上海 ; CNKI ; 中国中文信息学会信息检索与内容安全专业委员会
关键词	排序学习 排序函数 谱聚类 Learning to Rank Ranking Function Spectral Clustering TP391.3
其他题名	Learning to Rank Based on Query Clustering
中文摘要	排序是信息检索中重要的环节。现如今,已经提出了几百种用于描述查询与文档之间相关度的特征,但是利用人工调整参数的方式将这几百种特征整合为一个排序函数的方法已经不切实际。因此,排序学习算法,一个机器学习与信息检索的交叉领域,越来越受到人们的重视,已经有很多种排序学习算法被设计并应用到优化排序函数。尽管在纷繁复杂的网络搜索环境中,查询之间确实存在着差异,然而,几乎没有排序学习算法考虑到查询差异的存在。在这篇论文中,查询被建模为多元高斯分布,查询之间距离利用KL距离计算。利用谱聚类对查询进行聚类,为每一个类别训练一个排序函数。实验结果表明经过聚类得到的排序函数需要较少的训练样例,但是它的性能却和没有经过聚类得到的排序函数是可比的,甚至超过后者。; The ranking is a central issue in the field of information retrieval.Nowadays,hundreds of features have been proposed to characterize the relevance between a query and documents,but it isunpractical to integrate them into a ranking function with manually tuned parameters.So learning to rank,the crossing field of machine learning and information retrieval,has gained increasing attention recently and lots of models have been designed to optimize the ranking functions.There are,however,few methods considering the differences among the queries despite the fact that queries do be different in the diverse Web search scenario.In this paper,the queries are modeled as Multivariate Gaussian Distributions and Kullback-Leibler divergence is adopted as distance measure.We apply the spectral clustering to cluster the queries into several clusters and a ranking function is learned for each cluster.The experimental results show that the ranking functions with clustering are trained with less data,but are comparable to or even outperform the ones without clustering.; 国家重点基础研究(973)(2004CB318108); 自然科学基金(60621062,60503064,60736044); 863高科技项目(2006AA01Z141)资助
语种	中文 ; 中文
内容类型	会议论文
源URL	[http://hdl.handle.net/123456789/69761]
专题	清华大学
推荐引用方式 GB/T 7714	花贵春,张敏,刘奕群,等. 基于查询聚类的排序学习算法[C]. 见:第五届全国信息检索学术会议论文集, 第五届全国信息检索学术会议, 中国上海, CNKI, 中国中文信息学会信息检索与内容安全专业委员会.

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。