| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景与意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关研究综述 | 第16-28页 |
| 2.1 学术信息检索技术 | 第16-20页 |
| 2.1.1 布尔模型 | 第16-17页 |
| 2.1.2 向量空间模型 | 第17-19页 |
| 2.1.3 概率检索模型 | 第19-20页 |
| 2.1.4 语言模型 | 第20页 |
| 2.2 检索常用文本特征 | 第20-21页 |
| 2.3 矩阵分解技术及应用 | 第21-22页 |
| 2.3.1 基本NMF算法 | 第21页 |
| 2.3.2 改进NMF算法 | 第21-22页 |
| 2.4 Learing to rank技术 | 第22-25页 |
| 2.4.1 机器学习排序训练数据的生成 | 第23-24页 |
| 2.4.2 Pointwise | 第24页 |
| 2.4.3 Pairwise | 第24-25页 |
| 2.4.4 Listwise | 第25页 |
| 2.5 本章小结 | 第25-28页 |
| 第3章 基于学术检索的用户点击特征重构方法的研究 | 第28-40页 |
| 3.1 用户点击特征对检索结果排序的影响 | 第28页 |
| 3.2 基于学术检索的用户点击特征重构方法排序框架 | 第28-30页 |
| 3.3 低秩矩阵分解模型 | 第30-31页 |
| 3.4 同质性模型 | 第31-32页 |
| 3.5 查询分组法 | 第32-34页 |
| 3.6 B-NMF求解优化模型 | 第34-38页 |
| 3.6.1 矩阵分块 | 第35-36页 |
| 3.6.2 矩阵分解 | 第36-37页 |
| 3.6.3 矩阵重构 | 第37-38页 |
| 3.7 算法伪码 | 第38-39页 |
| 3.8 本章小结 | 第39-40页 |
| 第4章 基于Learning To rank的学术检索结果排序方法研究 | 第40-46页 |
| 4.1 面向学术检索结果的机器学习排序思路 | 第40-41页 |
| 4.2 面向学术检索结果的Learning to rank排序方法 | 第41-45页 |
| 4.2.1 Random Forest | 第41页 |
| 4.2.2 Rank Net | 第41-43页 |
| 4.2.3 Mart | 第43-44页 |
| 4.2.4 Lambda Mart | 第44-45页 |
| 4.2.5 其它排序模型 | 第45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 基于点击特征重构的检索结果排序方法性能比较与结果分析 | 第46-54页 |
| 5.1 实验目标 | 第46页 |
| 5.2 实验数据集 | 第46-47页 |
| 5.3 评测标准及实验设计 | 第47-50页 |
| 5.3.1 评测标准 | 第47-49页 |
| 5.3.2 实验设计 | 第49-50页 |
| 5.4 实验结果分析 | 第50-52页 |
| 5.4.1 单个点击特征重构性能比较 | 第50-51页 |
| 5.4.2 点击特征融合其它文本特征性能比较 | 第51页 |
| 5.4.3 查询分组法不同查询数量比较 | 第51-52页 |
| 5.5 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 攻读硕士学位期间发表的学术论文 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
