Learning to Rank for Information Retrieval

最新推荐文章于 2020-08-29 14:06:10 发布
最新推荐文章于 2020-08-29 14:06:10 发布
阅读量1.8k 收藏
点赞数
分类专栏： Machine Learning 文章标签： LETOR 数据集 信息检索 问答系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/da_kao_la/article/details/84503447
版权
这篇内容探讨了Learning to Rank(LETOR)在信息检索、图像检索、多媒体数据检索和问答系统中的应用。LETOR提供了不同设置的数据集和评估脚本，包括监督、半监督、排名聚合和列表级排名。同时提到了一些相关资源和深度学习在问答系统中进行答案选择的研究。
摘要由CSDN通过智能技术生成

信息检索

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。

关于Learning to Rank，以下博文可供参考：

Learning to Rank(LTR)

Learning to rank介绍

图像检索

图像检索的常用数据集见此博文：信息检索数据集（这个篇博文是转载的，原文链接找不到了）

一篇用超图做图像检索的文章：Image Retrieval via Probabilistic Hypergraph R

最低0.47元/天 解锁文章
da_kao_la
关注
专栏目录
colt mrr_Learning To Rank 介绍
weixin_35728049的博客
12-29 310
LTR简介LTR(Learning torank)学习排序是一种监督学习(SupervisedLearning)的排序方法。LTR已经被广泛应用到文本挖掘的很多领域，比如IR中排序返回的文档，推荐系统中的候选产品、用户排序，机器翻译中排序候选翻译结果等等。IR领域传统的排序方法一般通过构造相关度函数，然后按照相关度进行排序。影响相关度的因素很多，比如tf，idf，dl等。有很多经典的模型来完成这一...
Learning to Rank for Information Retrieval and Natural Language Processing
02-28
信息检索和自然语言处理的排名学习（第二版）。英文版。可打印可复制。 Learning to Rank for Information Retrieval and Natural Language Processing
Tieyan_Liu Learning to Rank for Information Retrieval
08-18
刘铁岩 排序 信息检索 很经典的书，找了好久
Learning to Rank for Information Retrieval 的Part1阅读笔记
Talk Is Cheap
08-13 723
Pointwise 输入一个query一个doc 输出一个score Pairwise 输入两个doc 输出一个score Listwise 输入一个query一组doc 整体输出一组score
Learning to Rank for Information Retrieval pdf
12-09
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。
Learning To Rank
11-06
是一篇关于机器学习的论文，讲述了从pairwise到listwise的实现方式和效果。
learning to rank学习笔记
love_data_scientist的博客
09-29 410
learning to rank是这几年火起来的一个学科，可以应用于检索、推荐等排序场景中。我们的业务场景大都和排序相关，那么掌握住learning to rank就又多了一条解决业务问题的方法。 常见的排序算法： 1.文本相关性计算方法：BM25，TF_IDF，word2vec等。 2.图像相似度计算方法：平均哈希（aHash），感知哈希（pHash），差异值哈希。 3.图文相关性使用g...
刘铁岩
banyi4389的博客
03-27 254
在研究院工作快5年了，没想到电子工程出身的我会和SIGIR注1，这一信息检索领域的顶级会议，结下如此的不解之缘。 从2004年到2008年，自己在信息检索这个方向上走过的道路，也是自己在微软亚洲研究院不断成长的过程：从熟悉信息检索这个领域，量身定做地投出第一篇SIGIR论文，到提高研究能力和写作技巧，到确定自己的主攻方向，到为引领一个研究学派而努力。 期间的收获和感悟颇多，写下来愿与...
information-retrieval
05-18
使用Apache Lucene为yelp.com提供的数据集实现搜索引擎。
LETOR 信息检索数据数据集
07-01
LETOR 是一个网页搜索排序数据集，包括搜索关键词和搜索结果数据，可用以评价文档排序算法的效果。
Information Retrieval（信息检索）笔记01：Boolean Retrieval（布尔检索）
MYJace的博客
08-29 6314
Information Retrieval（信息检索）笔记01：Boolean Retrieval（布尔检索）什么是信息检索（Information Retrieval）布尔检索（Boolean Retrieval）什么是布尔检索（Boolean Retrieval）？倒排索引（Inverted Index）布尔查询的处理查询优化（Query Optimization） 什么是信息检索（Information Retrieval） 正式定义上的信息检索（Information Retrieval）为：信息检
Information Retrieval --- Retrieval Comment
weixin_30279751的博客
12-17 95
一、单个查询的评价 1.P值 P=RT/(RT+RN) 2.R值 R=RT/(RT+~RT) 3.F值：调和平均值 F=1/(0.5*(1/P+1/N)) 4.P@N值：在N处的正确率 5.AP平均正确率：对不同召回率点上的正确率进行平均 [例]某个查询Q共有6个相关结果，某系统排序返回了5篇相关文档，其位置分别是第1，第2，第5，第10，第20位，则AP=(1/1+2/2+...
Learning to Rank简介
dong-技术驱动人生
09-21 175
本文将对L2R做一个比较深入的介绍，主要参考了刘铁岩、李航等人的几篇相关文献[1,2,3],我们将围绕以下几点来介绍L2R:现有的排序模型，为什么需要使用机器学习的方法来进行排序，L2R特征的选取，L2R训练数据的获取，L2R训练和测试，L2R算法分类和简介，L2R效果评价等。 1.现有的排序模型 排序(Ranking)一直是信息检索的核心研究问题，有大量的成熟的方法，主要...
MQ2008.rar (LETOR 4.0)
04-19
MQ2008.rar is hosted on OneDrive, and we cannot get the link. I google it and found it.
李航的Learning to Rank：信息检索与自然语言处理精要
李航的著作深入探讨了信息检索（Information Retrieval, IR）和自然语言处理（Natural Language Processing, NLP）领域中的一个重要概念——学习排名（Learning to Rank）。学习排名是IR和NLP中的核心技术之一，它在...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值