注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. CCIR2011刘铁岩关于learning to rank的keynote

  2. 刘铁岩博士在山东大学CCIR2011上关于learning to rank的精彩总结。letor的overview尽在此keynote。

  3. 所属分类：专业指导

    • 发布日期：2012-01-07
    • 文件大小：2097152
    • 提供者：sjk2412

  1. MQ2008.rar (LETOR 4.0)

  2. MQ2008.rar is hosted on OneDrive, and we cannot get the link. I google it and found it.

  3. 所属分类：机器学习

    • 发布日期：2019-04-19
    • 文件大小：14680064
    • 提供者：ustcer_9801

  1. 多层克隆选择的排序学习方法研究

  2. 提出一种基于多层克隆选择的排序学习方法,将克隆选择理论应用于学习排序函数,对传统克隆选择进行改进,使用一种按层变异的方法和一种多层的克隆选择架构逐步进化抗体库,最终得到最优的排序函数。提出的方法在LETOR基准数据集进行评价,结果表明了算法在多数情况下优于基线算法。

  3. 所属分类：其它

    • 发布日期：2020-04-19
    • 文件大小：463872
    • 提供者：weixin_38501916

  1. Learning to Rank for Information Retrieval pdf

  2. Learning to Rank for Information Retrieval(LETOR) 是Microsoft的一个信息检索相关度排序的数据集，有 Supervised ranking Semi-supervised ranking Rank aggregation Listwise ranking 四种setting，提供了数据集下载和evaluation脚本。

  3. 所属分类：算法与数据结构

    • 发布日期：2020-12-09
    • 文件大小：348160
    • 提供者：weixin_42920757

  1. 合并查询约束以实现自动编码器增强排名

  2. 学习排名已广泛用于信息检索任务中，以构建用于文档检索的排名模型。 现有的学习排序方法采用有监督的机器学习方法作为核心技术，经典检索模型作为文档特征。 文档功能的质量会严重影响排名模型的有效性。 因此，有必要在排序中生成有效的文档特征以扩展学习的特征空间以进行排序，以便更好地对查询及其对应文档之间的相关性进行建模。 最近，深度神经网络模型已用于为各种文本挖掘任务生成有效特征。 自动编码器是神经网络的一种构建模块，它基于编码器-解码器框架将语义信息捕获为有效特征。 在本文中，我们将自动编码器结合到基

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：1048576
    • 提供者：weixin_38536716

  1. 学习使用语义资源完善生物医学信息检索的扩展术语

  2. 学习排名利用机器学习方法通​​过监督构建排名模型来解决排名问题，该排名模型需要将文档的固定长度特征向量作为输入，并输出通过迭代减少预定义排名损失而学习到的排名模型。 始终根据经典的文本统计信息来提取文档特征，并且不同的特征对排名性能的贡献也不同。 鉴于定义良好的特征将对检索性能做出更大的贡献，因此我们研究了使用自动编码器来丰富文档的特征表示。 自动编码器作为深度神经网络的基本构建模块，已成功用于许多文本挖掘任务中以生成有效特征。 为了丰富学习排名的功能空间，我们在自动编码器的损失函数中引入了监督

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：2097152
    • 提供者：weixin_38651450