| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 主要符号说明 | 第7-8页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 Learning to Rank算法的国内外研究现状 | 第8-10页 |
| 1.2.1 Pointwise | 第9页 |
| 1.2.2 Pairwise | 第9-10页 |
| 1.2.3 Listwise | 第10页 |
| 1.3 研究内容和创新 | 第10-11页 |
| 1.3.1 研究内容 | 第10-11页 |
| 1.3.2 主要创新点 | 第11页 |
| 1.4 论文结构安排 | 第11-13页 |
| 第二章 相关理论与关键技术 | 第13-21页 |
| 2.1 Pairwise算法思想 | 第13-15页 |
| 2.2 Pairwise算法的损失函数及求解 | 第15-17页 |
| 2.2.1 损失函数 | 第15-16页 |
| 2.2.2 优化方法 | 第16页 |
| 2.2.3 BP神经网络 | 第16-17页 |
| 2.3 Pairwise算法 | 第17-19页 |
| 2.3.1 Ranking SVM算法和IR SVM算法 | 第17-18页 |
| 2.3.2 RankBoost算法 | 第18-19页 |
| 2.4 评价方法 | 第19页 |
| 2.4.1 NDCG | 第19页 |
| 2.4.2 MAP | 第19页 |
| 2.5 Pairwise排序学习算法的应用 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 基于RankNet排序学习算法 | 第21-28页 |
| 3.1 RankNet算法 | 第21-23页 |
| 3.1.1 RankNet基本思想 | 第21页 |
| 3.1.2 RankNet算法流程 | 第21-23页 |
| 3.2 LambdaRank算法 | 第23-24页 |
| 3.3 LambdaMART算法 | 第24-26页 |
| 3.4 本章小结 | 第26-28页 |
| 第四章 LambdaXGB排序学习算法设计 | 第28-33页 |
| 4.1 XGBoost算法 | 第28-30页 |
| 4.2 LambdaXGB算法设计 | 第30-32页 |
| 4.2.1 算法思想 | 第30页 |
| 4.2.2 LambdaXGB L1算法 | 第30-31页 |
| 4.2.3 LambdaXGB L2算法 | 第31-32页 |
| 4.2.4 LambdaXGB算法 | 第32页 |
| 4.3 本章小结 | 第32-33页 |
| 第五章 实验结果比较与分析 | 第33-47页 |
| 5.1 实验数据集 | 第33页 |
| 5.2 参数设置 | 第33-34页 |
| 5.3 实验结果 | 第34-36页 |
| 5.4 实验结果分析 | 第36-46页 |
| 5.5 实际应用讨论 | 第46页 |
| 5.6 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47-48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 个人简历 在读期间发表的学术论文 | 第52-53页 |
| 致谢 | 第53页 |