| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题背景 | 第14-15页 |
| 1.2 国内外发展状况 | 第15-18页 |
| 1.2.1 信息检索 | 第15-16页 |
| 1.2.2 排序学习研究现状 | 第16-18页 |
| 1.3 论文研究内容及结构安排 | 第18-20页 |
| 第二章 搜索引擎网页排序算法及评价分析 | 第20-32页 |
| 2.0 引言 | 第20页 |
| 2.1 基于连接分析的搜索结果排序算法 | 第20-25页 |
| 2.1.1 PageRank算法 | 第20-23页 |
| 2.1.2 HITS算法 | 第23-25页 |
| 2.2 排序学习算法介绍 | 第25-26页 |
| 2.3 排序学习算法 | 第26-28页 |
| 2.3.1 基于数据点的排序学习 | 第26-27页 |
| 2.3.2 基于数据对的排序学习方法 | 第27页 |
| 2.3.3 基于数据列表的排序学习算法 | 第27-28页 |
| 2.4 排序学习算性能评价指标介绍 | 第28-30页 |
| 2.4.1 P@n(Precision at position)评价标准 | 第28页 |
| 2.4.2 MAP(Mean average precision )评价指标 | 第28-29页 |
| 2.4.3 MRR(Mean Reciprocal Ranking)评价指标 | 第29页 |
| 2.4.4 NDCG (Normalized discount cumulative gain )评价指标 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 加入点级损失的对级排序学习改进算法 | 第32-40页 |
| 3.1 引言 | 第32-33页 |
| 3.2 加入点级损失改进RankNet算法 | 第33-35页 |
| 3.2.1 Pairwise之RankNet算法 | 第33-34页 |
| 3.2.2 加入点级损失来改进RankNet算法 | 第34-35页 |
| 3.3 实验设置 | 第35-37页 |
| 3.3.1 实验数据集letor | 第35-36页 |
| 3.3.2 实验设计 | 第36-37页 |
| 3.4 实验结果分析 | 第37-39页 |
| 3.5 小结 | 第39-40页 |
| 第四章 点级与列表级融合的排序学习改进算法 | 第40-48页 |
| 4.1 引言 | 第40页 |
| 4.2 基于Listwise损失函数的神经网络排序学习方法 | 第40-44页 |
| 4.2.1 Luce模型 | 第40-41页 |
| 4.2.2 ListNet排序学习方法 | 第41-43页 |
| 4.2.3 点级与列表级融合改进列表级排序学习算法 | 第43-44页 |
| 4.3 实验设置及结果分析 | 第44-46页 |
| 4.4 小结 | 第46-48页 |
| 第五章 基于稀疏表示的排序学习算法 | 第48-58页 |
| 5.1 引言 | 第48页 |
| 5.2 稀疏表示 | 第48-52页 |
| 5.2.1 稀疏表示理论基础 | 第48-49页 |
| 5.2.2 稀疏编码的求解方法 | 第49-51页 |
| 5.2.3 稀疏表示的应用 | 第51-52页 |
| 5.3 基于稀疏表示的排序学习算法 | 第52-53页 |
| 5.4 实验设置 | 第53-54页 |
| 5.4.1 基于1范数的稀疏求解 | 第53-54页 |
| 5.4.2 基于稀疏表示的排序学习 | 第54页 |
| 5.5 实验结果与分析 | 第54-56页 |
| 5.6 小结 | 第56-58页 |
| 第六章 工作总结与展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 下一步工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
| 1．基本情况 | 第66页 |
| 2．教育背景 | 第66页 |
| 3．在学期间的研究成果 | 第66-67页 |
