基于深度信念网络的排序学习算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 论文研究背景及意义 | 第8-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-15页 |
| 1.2.1 信息检索模型 | 第11-12页 |
| 1.2.2 排序学习算法 | 第12-14页 |
| 1.2.3 深度信念网络及限制玻尔兹曼机 | 第14-15页 |
| 1.3 论文的主要工作 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第2章 相关工作 | 第18-29页 |
| 2.1 排序学习的形式化定义 | 第18-20页 |
| 2.2 排序学习算法 | 第20-27页 |
| 2.2.1 基于Pointwise的排序学习算法 | 第20-21页 |
| 2.2.2 基于Pairwise的排序学习算法 | 第21-25页 |
| 2.2.3 基于Listwise的排序学习算法 | 第25-27页 |
| 2.3 基于神经网络的RankNet算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 深度信念排序网络算法 | 第29-52页 |
| 3.1 算法总体框架 | 第29-32页 |
| 3.2 基于玻尔兹曼机的无监督学习 | 第32-41页 |
| 3.2.1 限制玻尔兹曼机 | 第32-35页 |
| 3.2.2 限制玻尔兹曼机优化算法 | 第35-38页 |
| 3.2.3 多层限制玻尔兹曼机训练算法 | 第38-41页 |
| 3.3 基于Pairwise的监督学习 | 第41-45页 |
| 3.3.1 Pairwise层损失函数构造 | 第41-43页 |
| 3.3.2 Pairwise层优化算法 | 第43-45页 |
| 3.4 改进BP过程的参数微调算法 | 第45-51页 |
| 3.4.1 人工神经网络算法 | 第45-46页 |
| 3.4.2 反向传播神经网络 | 第46-48页 |
| 3.4.3 基于梯度约束的参数微调算法 | 第48-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 验证实验 | 第52-65页 |
| 4.1 排序学习算法评价指标 | 第52-54页 |
| 4.1.1 折损累积增益 | 第52-53页 |
| 4.1.2 查准率 | 第53页 |
| 4.1.3 平均查准率 | 第53-54页 |
| 4.2 实验设计 | 第54页 |
| 4.3 人工数据集 | 第54-57页 |
| 4.3.1 人工数据集构造方法 | 第54-56页 |
| 4.3.2 实验结果与分析 | 第56-57页 |
| 4.4 真实数据集 | 第57-64页 |
| 4.4.1 MQ2007、MQ2008数据集 | 第58-59页 |
| 4.4.2 OHSUMED数据集 | 第59-60页 |
| 4.4.3 实验结果与分析 | 第60-64页 |
| 4.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 本文总结 | 第65页 |
| 对未来工作的展望 | 第65-67页 |
| 参考文献 | 第67-74页 |
| 致谢 | 第74页 |
