基于主题相似度的排序学习算法研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外相关研究发展现状 | 第10-13页 |
| 1.2.1 信息检索模型发展概况 | 第11-12页 |
| 1.2.2 排序学习研究现状 | 第12-13页 |
| 1.3 本文主要工作与组织 | 第13-15页 |
| 第二章 搜索排序相关方法 | 第15-30页 |
| 2.1 引言 | 第15页 |
| 2.2 基于链接的排序方法 | 第15-21页 |
| 2.2.1 PageRank算法 | 第15-18页 |
| 2.2.2 HITS算法 | 第18-21页 |
| 2.3 排序学习方法概述 | 第21-29页 |
| 2.3.1 Pointwise相关方法 | 第24-25页 |
| 2.3.2 Pairwise相关方法 | 第25-27页 |
| 2.3.3 Listwise相关方法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于VSM和LDA的相似度算法 | 第30-38页 |
| 3.1 引言 | 第30页 |
| 3.2 基于VSM的相似度计算 | 第30-31页 |
| 3.3 基于LDA的相似度计算 | 第31-35页 |
| 3.3.1 LDA模型描述 | 第31-34页 |
| 3.3.2 基于LDA模型的文档相似度算法 | 第34-35页 |
| 3.4 基于主题相似度的相似度计算 | 第35-37页 |
| 3.4.1 评估标准 | 第36页 |
| 3.4.2 实验设置 | 第36页 |
| 3.4.3 对比分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于主题相似的排序学习算法 | 第38-55页 |
| 4.1 引言 | 第38页 |
| 4.2 LISTSIMI排序学习算法描述 | 第38-42页 |
| 4.2.1 Top-k概率模型 | 第38-40页 |
| 4.2.2 损失函数构造 | 第40-41页 |
| 4.2.3 梯度下隆算法 | 第41-42页 |
| 4.3 算法实现 | 第42-43页 |
| 4.4 实验数据集 | 第43-44页 |
| 4.4.1 LETOR 3.0数据集 | 第43-44页 |
| 4.5 排序学习评价标准 | 第44-46页 |
| 4.5.1 平均准确率MAP | 第45页 |
| 4.5.2 归一化折扣累积增益NDCG | 第45-46页 |
| 4.6 实验方法 | 第46-47页 |
| 4.7 实验结果与对比分析 | 第47-54页 |
| 4.7.1 实验结果 | 第47-53页 |
| 4.7.2 对比分析 | 第53-54页 |
| 4.8 本章小结 | 第54-55页 |
| 第五章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 附录 | 第61-62页 |
