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. Learning to Rank using Gradient Descent.pdf

  2. Learning to Rank using Gradient Descent.pdf

  3. 所属分类：专业指导

    • 发布日期：2008-03-11
    • 文件大小：825344
    • 提供者：xlliu0226

  1. From_ranknet_to_lambdarank_to_lambdamart_An_overview

  2. From_ranknet_to_lambdarank_to_lambdamart_An_overview 讲述了learning to rank的综述。英文。微软刘老师的大作。

  3. 所属分类：机器学习

    • 发布日期：2018-04-22
    • 文件大小：198656
    • 提供者：fyl222

  1. 基于查询级向量提取的学习排序样本划分方法

  2. 学习排名在信息检索中起着非常重要的作用。 现有的作品主要集中于对所有样本应用一种排名模型，这可能不适合现实。 本文提出了一种基于查询级向量提取的学习排序的新方法，该方法假设所有样本都可以分为多个部分，并且每个部分都用于训练模型的一组参数。 基于此假设，我们提取了查询级向量，并提出了一种基于k-means ++的数据集划分方法，该方法用于优化ListNet方法和RankNet方法。 实验结果表明，我们的假设是正确的，我们的方法在提高ListNet和RankNet的性能方面起着非常重要的作用，并且易

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：1048576
    • 提供者：weixin_38629873

  1. ranknet：研究RankNet和神经网络-源码

  2. 排名网 latex：\ newpage

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：20971520
    • 提供者：weixin_42097967

  1. LAMBDAXGB:RESEARCH ON LEARNING TO RANK BASED ON LAMBDAMART

  2. In this paper, RankNet, LambdaRank, LambdaMART and the XGBoost are studied and analyzed. The idea of improving the LambdaMART is proposed, that is,adding the regulation to the loss function of LambdaMART. Two commonly regulations L1 and L2 are added

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：197632
    • 提供者：weixin_38645373

  1. metarank:友好的“学会排名”引擎-源码

  2. 元等级 Metarank是用于构建个性化排名系统的工具箱。 通过自动执行“排名学习”应用程序中的常见数据处理任务，可以使用它对搜索结果，建议和自动完成建议中的项目重新排序。 目的 使用REST API或Kafka连接器收集项目，搜索和交互事件流。 计算各种各样的默认特征值： 多个时间窗口：因此，每个功能都可以在1-2-4-8-n天的时间内进行更新。 范围设定：例如，特定查询的商品点击率。 绝对值和相对值：可以跟踪每个项目的点击次数占点击总数的百分比。 使用可插拔数据库连接器存储所有与

  3. 所属分类：其它

    • 发布日期：2021-03-29
    • 文件大小：91136
    • 提供者：weixin_42156940