| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-47页 |
| ·信息检索概述 | 第13-15页 |
| ·信息检索的评价标准 | 第15-19页 |
| ·无序检索结果集合的评价标准 | 第15-16页 |
| ·有序检索结果的评价标准 | 第16-19页 |
| ·信息检索的数学模型 | 第19-22页 |
| ·基于排序学习的信息检索 | 第22-42页 |
| ·基于排序学习的信息检索概述 | 第22-24页 |
| ·基于单个样本的Pointwise算法 | 第24-25页 |
| ·基于样本对的Pairwise算法 | 第25-32页 |
| ·基于样本队列的Listwise算法 | 第32-42页 |
| ·本文主要研究内容及创新之处 | 第42-43页 |
| ·本论文的内容组织安排 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第二章 基于直接优化NDCG的查询级Ranking SVM算法 | 第47-65页 |
| ·引言 | 第47-48页 |
| ·传统基于Pairwise法的Ranking SVM算法 | 第48-51页 |
| ·基于Pairwise法的排序问题描述 | 第48页 |
| ·NDCG评估标准 | 第48-49页 |
| ·传统Ranking SVM算法 | 第49页 |
| ·传统Ranking SVM算法的不足 | 第49-51页 |
| ·基于直接优化NDCG的排序算法——Ranking SVM_CPA | 第51-54页 |
| ·算法的框架 | 第51-52页 |
| ·算法的优化 | 第52-54页 |
| ·实验与结果分析 | 第54-63页 |
| ·实验数据集 | 第54-59页 |
| ·实验结果的分析及比较 | 第59-63页 |
| ·本章小结 | 第63-65页 |
| 第三章 基于Pointwise法的直接优化NDCG排序算法 | 第65-87页 |
| ·引言 | 第65-66页 |
| ·基于Pointwise法的排序问题定义 | 第66-67页 |
| ·基于margin-rescaling的直接优化NDCG排序算法——Rank_CPA_NDCG | 第67-77页 |
| ·算法的框架和优化目标 | 第67页 |
| ·算法的优化 | 第67-74页 |
| ·实验结果与分析 | 第74-77页 |
| ·基于非凸上界的排序模型构造算法 | 第77-84页 |
| ·引言 | 第77页 |
| ·基于非凸上界的排序算法——MSVM_NONVEX_NDCG | 第77-81页 |
| ·实验及结果分析 | 第81-84页 |
| ·本章小结 | 第84-87页 |
| 第四章 一种结合Listwise法和Pairwise法的两阶段排序算法 | 第87-99页 |
| ·引言 | 第87-88页 |
| ·基于Listwise法的排序问题描述及评估标准 | 第88-89页 |
| ·结合Listwise法和Pairwise法的两阶段排序算法——RANK_META | 第89-94页 |
| ·第一阶段——直接优化NDCG的排序算法 | 第89-92页 |
| ·第二阶段——基于改进后Pairwise的精化算法 | 第92-94页 |
| ·实验结果及分析 | 第94-96页 |
| ·本章小结 | 第96-99页 |
| 第五章 基于Ramp Loss在线学习的鲁棒性排序算法 | 第99-115页 |
| ·引言 | 第99-100页 |
| ·基于Pairwise法的Ranking SVM算法 | 第100-105页 |
| ·基于Pairwise法的训练数据 | 第100-101页 |
| ·基于Hinge Loss的Ranking SVM算法不足 | 第101-105页 |
| ·两种基于Ramp Loss的在线排序算法 | 第105-108页 |
| ·基于非凸Ramp Loss的排序算法——Ranking_Concave_OnLine | 第105-107页 |
| ·利用Ramp Loss作为过滤器的排序算法—Ranking_Filter_OnLine | 第107-108页 |
| ·实验及分析 | 第108-114页 |
| ·实验1 算法有效性比较 | 第108-111页 |
| ·实验2 算法的计算性能比较 | 第111-113页 |
| ·实验3 不同门槛值s对算法性能的影响 | 第113-114页 |
| ·本章小结 | 第114-115页 |
| 第六章 总结与展望 | 第115-119页 |
| 参考文献 | 第119-131页 |
| 致谢 | 第131-132页 |
| 读博期间发表的论文与参加的科研项目 | 第132页 |
