| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 信息检索的研究现状 | 第12-13页 |
| 1.2.2 排序学习的研究现状 | 第13-15页 |
| 1.3 本文的工作与安排 | 第15-17页 |
| 第二章 相关工作 | 第17-34页 |
| 2.1 排序学习概述 | 第17-18页 |
| 2.2 三类排序学习方法 | 第18-25页 |
| 2.2.1 基于单个样本的排序学习方法(pointwise) | 第18-19页 |
| 2.2.2 基于样本对的排序学习方法(pairwise) | 第19-24页 |
| 2.2.3 基于整个样本队列的排序学习方法(listwise) | 第24-25页 |
| 2.3 排序学习中的评价指标 | 第25-30页 |
| 2.3.1 平均准确率MAP | 第25-27页 |
| 2.3.2 NDCG(Normalized Discounted Cumulative Gain) | 第27-29页 |
| 2.3.3 其他评价标准 | 第29-30页 |
| 2.4 基于直接优化评价标准的排序算法 | 第30-32页 |
| 2.5 排序学习在真实场景中的应用 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于多目标优化的排序学习算法研究 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 多目标优化算法 | 第34-35页 |
| 3.3 算法的基本思想与目标函数 | 第35-37页 |
| 3.4 算法的优化求解 | 第37-40页 |
| 3.5 基于Hybridization-encouraged Mechanism的选择策略 | 第40页 |
| 3.6 实验与分析 | 第40-46页 |
| 3.6.1 实验数据集 | 第41-42页 |
| 3.6.2 与经典排序算法对比 | 第42-45页 |
| 3.6.3 Hybridization-encouraged Mechanism选择策略的有效性 | 第45-46页 |
| 3.7 本章小结 | 第46-48页 |
| 第四章 面向稀疏模型的随机排序学习算法研究 | 第48-62页 |
| 4.1 引言 | 第48-50页 |
| 4.2 算法的基本框架和目标函数 | 第50-51页 |
| 4.3 算法优化求解 | 第51-52页 |
| 4.4 基于feature-wise的自适应学习率 | 第52-55页 |
| 4.5 实验与分析 | 第55-61页 |
| 4.5.1 对比算法 | 第55页 |
| 4.5.2 MinBatSRank与非稀疏排序学习算法做对比 | 第55-57页 |
| 4.5.3 MinBatSRank与其他稀疏排序学习算法做对比 | 第57-60页 |
| 4.5.4 Feature-wise学习率更新策略的有效性 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 论文总结 | 第62页 |
| 5.2 未来工作的展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的学术成果 | 第72-73页 |
| 攻读硕士学位期间参加的科研项目 | 第73页 |
