【机器学习】Ranking SVM原理

最新推荐文章于 2024-08-07 09:41:39 发布
最新推荐文章于 2024-08-07 09:41:39 发布
阅读量2.2k 收藏
点赞数
分类专栏： Machine Learning
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/zkq_1986/article/details/86174016
版权

假定有x1,x2,x3三个点，查询q，对应的查询排序结果为x1,x2,x3。那么可获得新的点，即x1-x2,x1-x3, x2-x3, x2-x1,x3-x1,x3-x2，它们的标签分别为1,1,1，-1,-1,-1。

有了数据点，以及标签，就领用传统的SVM，训练出超平面。

在测试的时候，我们就把一个query的所有结果先构建所有可能的pair，然后输入到学习到的模型中，得到每个pair的相对顺序。根据推算就可以得到所有搜索结果的排序了。

        

 

缺点

1. 没考虑查询与文档的关系

zkq_1986
关注
专栏目录
Ranking SVM 简介
风言风语
05-16 2万+
Learning to Rank(简称LTR)用机器学习的思想来解决排序问题。Ranking SVM算法是PairWise方法的一种。本文简单介绍了Ranking SVM，并举例说明了下载使用的过程。
Learning to Rank基于pairwise的算法（一）——Ranking SVM、MHR、IRSVM
seasongirl的博客
09-09 2800
1.概述 对于搜索任务来说，系统接收到用户查询之后，返回相关文档列表。所以问题的关键是确定文档之间的先后顺序，而pairwise则将重点转向对文档关系是否合理的判断。 在pairwise中，排序算法通常转化为对文档对的分类，分类输入是文档对，结果是哪个文章的相关度更好，学习的目标是减少错误分类的文档对，在完美的模型中，所有的文档对的顺序都被正确分类，于是可以得到某一query下完全正确合理的文档列...
rankingSvm
04-10
This paper focuses on the problem of Question Routing (QR) in Community Question Answering (CQA), which aims to route newly posted questions to the potential answerers who are most likely to answer them. Traditional methods to solve this problem only consider the text similarity features between the newly post-ed question and the user profile, while ignoring the important statistical features, including the question-specific statistical fea-ture and the user-specific statistical features. Moreover, tradition-al methods are based on unsupervised learning, which is not easy to introduce the rich features into them. This paper proposes a general framework based on the learning to rank concepts for QR. Training sets consist of triples (q, asker, answerers) are first col-lected. Then, by introducing the intrinsic relationships between the asker and the answerers in each CQA session to capture the intrinsic labels/orders of the users about their expertise degree of the question q, two different methods, including the SVM-based and RankingSVM-based methods, are presented to learn the mod-els with different example creation processes from the training set. Finally, the potential answerers are ranked using the trained mod-els. Extensive experiments conducted on a real world CQA da-taset from Stack Overflow show that our proposed two methods can both outperform the traditional query likelihood language model (QLLM) as well as the state-of-the-art Latent Dirichlet Allocation based model (LDA). Specifically, the RankingSVM-based method achieves statistical significant improvements over the SVM-based method and has gained the best performance.
Learning to Rank之Ranking SVM 简介
weixin_30701575的博客
08-06 377
排序一直是信息检索的核心问题之一，Learning to Rank(简称LTR)用机器学习的思想来解决排序问题(关于Learning to Rank的简介请见我的博文Learning to Rank简介)。LTR有三种主要的方法：PointWise，PairWise，ListWise。Ranking SVM算法是PointWise方法的一种，由R. Herbrich等人在2000提出, T. ...
基于sklearn的机器学习 — 支持向量机（SVM）
最新发布
08-07 1294
支持向量机（SVM：support vector machine）另一种功能强大、应用广泛的学习算法，可应用于分类、回归、密度估计、聚类等问题。SVM可以看作是感知器（可被视为一种最简单形式的前馈神经网络，是一种二元线性分类器）的扩展，与逻辑回归相比，支持向量机在学习复杂的非线性方程时提供了一种更为清晰，更加强大的方式。SVM是一种监督式的学习方法，用统计风险最小化的原则来估计一个分类的，其基础的概念非常简单，就是找到一个，让两类之间的最大化，使其可以完美地分隔开来。是n维空间中的n - 1个子空间。
SVM理论
热门推荐
heavendai的专栏
11-15 1万+
SVM入门（一）至（三）Refresh 按:之前的文章重新汇编一下,修改了一些错误和不当的说法，一起复习,然后继续SVM之旅. （一）SVM的简介 支持向量机(Support Vector  Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[10]。 支持向量机方
Adapting Ranking SVM to Document Retrieval RankSVM
12-23
学习排序是一种机器学习技术，旨在通过构建一个可以预测文档相关性的模型来改善搜索结果的质量。在信息检索中，学习排序的目标是为每个查询提供最佳的结果列表顺序，以提高用户的满意度。 ##### 2. Ranking SVM ...
ranksvm.zip_ RankSVM_java ranksvm_ranking_ranksvm_ranksvm java
09-23
RankSVM，全称为Rank Support Vector Machine，是一种支持向量机（SVM）的扩展，主要应用于排序问题，尤其在信息检索、推荐系统和机器学习等领域有着广泛的应用。在这个Java实现的RankSVM项目中，我们可以深入理解和...
机器学习Python实践
bill的博客
04-11 617
第一部分初初始 1 初识机器学习 2 Python机器学习的生态圈 import scipy import numpy import matplotlib import pandas import sklearn print('scipy:{}'.format(scipy.__version__)) print('numpy:{}'.format(numpy.__version__)) print('matplotlib:{}'.format(matplotlib.__version__)) print(
svm原理
river_19的博客
08-28 165
一维数据
SVM原理讲解
06-03
该word文档详细介绍了SVM基本原理，并对其进行了简要分析
SVM原理
Lemon_pudding的博客
08-26 3664
我们先认识一下SVM： （1）支持向量机（Support Vector Machine, SVM）是一种对数据进行二分类的广义线性分类器，其分类边界是对学习样本求解的最大间隔超平面。 （2）SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器 。 （3）SVM可以通过引入核函数进行非线性分类。 关于SVM的阐述，我们发现SVM有三宝，分别是最大间隔、对偶问题以及核函数。 1、最大间隔超平面 在说明最大间隔超平面问题之前，先说明一下什.
svm原理简介
计算所信息抽取小组专栏
04-24 9448
 1. 模式识别总论第一种是经典的（参数）统计估计方法。现有机器学习方法共同的重要理论基础之一是统计学。参数方法正是基于传统统计学的，在这种方法中，参数的相关形式是已知的，训练样本用来估计参数的值。这种方法有很大的局限性。首先，它需要已知样本分布形式，这需要花费很大代价，还有，传统统计学研究的是样本数目趋于无穷大时的渐近理论，现有学习方法也多是基于此假设。但在实际问题中，样本数往往是有
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