206的守望者-CSDN博客

原创 RankLib源码分析---RFRanker(随机森林)

参考论文： Random Forests. 实现（ciir.umass.edu.learning.tree.RFRanker）： init方法：指定ensembles的数目（bags），ensembles可以是一棵树，也可以是按照lamdaRank或者MART的boosting的树（多个树）。 learn方法：生成bags

2015-01-04 17:53:03 1453

原创 RankLib源码分析---MART(GBRT)

参考论文： GREEDY FUNCTION APPROXIMATION: A GRADIENT BOOSTING MACHINE 1.boosting的算法流程 2.针对排序问题的具体算法这里F(x)为我们针对指定query的x文档的打分结果。对L的定义为: 因此对于树h，需

2015-01-02 16:58:41 1541 1

原创 LambdaMART的思想

LambdaRank如何跟MART结合在一起的。 MART是一个经典的集成思想，多个弱分类器可以生成一个比他们都好的分类器。 MART思想：主要来自这篇论文： GREEDY FUNCTION APPROXIMATION:A GRADIENT BOOSTING MACHINE1 其思路来源于数值优化---梯度下降。在使用梯度下降时，更新函数的参数是，w= w-δw 从数值优

2015-01-01 13:08:38 3225

原创 LambdaMART的源码分析：二（LambdaMART的流程)

参考论文: From RankNet to LambdaRank to LambdaMART: An Overview（公式主要引用这个） GREEDY FUNCTION APPROXIMATION: A GRADIENT BOOSTING MACHINE （MART的思想） Adapting boosting for information retrieval measures

2014-12-31 17:40:48 2381 1

原创 LambdaMART的源码分析：一（MART：回归树)

参考论文: From RankNet to LambdaRank to LambdaMART: An Overview（公式主要引用这个） GREEDY FUNCTION APPROXIMATION: A GRADIENT BOOSTING MACHINE （MART的思想） Adapting boosting for information retrieval measur

2014-12-31 17:39:18 2183

原创 RankLib源码分析(三)----LambdaRank

参考文档： From RankNet to LambdaRank to LambdaMART: An Overview（公式主要引用这个） Learning to Rank with Nonsmooth Cost Functions。（无公式引用，但是还是推荐看看） w32:隐藏层到输出层的w参数 w12:输入层到输出层的w参数 1.l

2014-12-30 17:57:15 3461 1

原创 RankLib源码分析（二）：RankNet

参考文档： From RankNet to LambdaRank to LambdaMART: An Overview(简写文章DocF) Learning to Rank using Gradient Descent （简写为DocL）简单描述一下思想：论文（Learning to Rank using Gradient Descent ）： 1.第三节，

2014-12-30 11:15:46 2979

原创 RankLib源码分析（一）：主框架

Evaluator类分析： 1.main函数的入口： ciir.umass.edu.eval.Evaluator 2.指定算法 221行： else if(args[i].compareTo("-ranker")==0) rankerType = Integer.parseInt(args[++i]); 413行： Evaluator e =

2014-12-30 11:13:16 2707

guoguo881218的专栏