检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于listnet排序学习的特征处理方法

计算机技术与发展 2018年第9期28卷 30-33,37页

作者：李伟宁王磊南京邮电大学计算机学院江苏南京210003 南京邮电大学电子科学与工程学院江苏南京210003

排序学习(learning to rank)是一种机器学习与信息检索的交叉学科,可以从大量的包含标记的训练集中自动学习排序模型。特征选取对于排序模型的预测结果有很大的影响,而排序学习对其特征领域的研究却很少。针对这一问题,提出一种特征处... 详细信息

排序学习(learning to rank)是一种机器学习与信息检索的交叉学科,可以从大量的包含标记的训练集中自动学习排序模型。特征选取对于排序模型的预测结果有很大的影响,而排序学习对其特征领域的研究却很少。针对这一问题,提出一种特征处理方法:利用基于主成分分析(PCA)的特征重组方法扩展数据集,然后在扩展后的数据集上进行排序算法隐含的特征选择。在LETOR4.0数据集(MQ2007,MQ2008)上基于排序评测函数对List Net排序算法进行验证。通过对比特征处理前后的排序性能差异,以及添加新特征的个数对排序结果的影响,实验结果表明,经过特征处理的利用排序学习算法构建的排序函数一般要优于原始的排序函数。

关键词：信息检索排序学习特征处理 listnet

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于随机游走模型的排序学习方法

数据分析与知识发现 2017年第12期1卷 41-48页

作者：贺婉莹杨建林南京大学信息管理学院南京210023 江苏省数据工程与知识服务重点实验室南京210023

【目的】通过引入随机游走模型,解决有监督排序学习中训练数据的标记信息难以获取的问题。【方法】提出一种基于重启随机游走模型的排序学习方法,通过游走模型完成训练数据的自动标注,降低排序学习对标记数据的依赖性,并在OHSUMED数据... 详细信息

【目的】通过引入随机游走模型,解决有监督排序学习中训练数据的标记信息难以获取的问题。【方法】提出一种基于重启随机游走模型的排序学习方法,通过游走模型完成训练数据的自动标注,降低排序学习对标记数据的依赖性,并在OHSUMED数据集上进行实验。【结果】当已标注样本在数据集中占比50%时,该方法能有效完成排序学习任务,与标注样本占比100%的排序学习算法相比,其排序效果明显优于Rank Net算法,略低于List Net算法。【局限】本文方法要求对每个查询单独进行随机游走,这对实际应用中多样查询下的文档标注工作来说仍然需要花费较多精力来完成。【结论】本文方法有很好的排序学习效果,能有效解决排序学习中训练数据的标注难题。

关键词：排序学习随机游走模型半监督学习 listnet

探索式搜索中面向领域的用户探索过程分类方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

探索式搜索中面向领域的用户探索过程分类方法研究

作者：孟宪玉东北大学

学位级别：硕士

探索式搜索描述了用户不了解目标领域,或者是用户的搜索任务相对比较复杂,或者系统对信息的索引不充分时用户所进行的搜索行为。在探索式探索中,很多研究提出了适用于用户不同探索式搜索需求的支持方法。这些方法实际上是针对不同类型... 详细信息

探索式搜索描述了用户不了解目标领域,或者是用户的搜索任务相对比较复杂,或者系统对信息的索引不充分时用户所进行的搜索行为。在探索式探索中,很多研究提出了适用于用户不同探索式搜索需求的支持方法。这些方法实际上是针对不同类型的用户探索过程提出针对性的支持方法。因此,在使用这些方法前,如果能对用户探索过程的类型进行判断,而为其选择合适的探索式搜索支持方法,将可以更好的支持用户完成探索过程。基于此,本文研究面向领域的用户探索过程分类方法。首先作为用户探索过程建模和分类的准备基础,本文研究用户探索过程的分类特征的提取方法。接下来,为了形式化的描述用户的探索过程,本文考虑对用户探索过程进行建模,并依据用户探索过程的特点提出了基于树型模型建模用户探索过程的方法。在此基础之上,本文研究基于树型模型的用户探索过程的分类方法,利用用户探索过程模型中蕴含的分类特征及探索过程信息,对用户探索过程进行分类。具体的,本文针对符合领域特点的用户探索过程分类体系,研究了查询词特征、搜索引擎返回结果特征、查询的领域特征、搜索引擎返回的结果的领域特征、查询长度以及探索过程长度等代表用户探索过程的分类特征值提取方法。在此基础上,本文基于树型模型建模用户探索过程,在树型模型中,节点代表用户的一次探索行为,其中蕴含了识别分类所需要的特征;树型模型的整体结构则描述了用户探索过程的过程性特点。在对用户探索过程进行分类的过程中,分类函数的设计利用了树型模型中传达的探索过程信息,以单次探索行为的分类为基础,依据树型模型的层次关系,分层累加探索行为与分类的相关程度,最终判别用户探索过程类型。在实验阶段,本文将用户探索过程分类方法与两种基线方法的分类结果进行对比,使用了准确率、召回率、调和均值三个指标进行对比评价。实验结果表明本文提出用户探索过程方法能够更准确判断用户探索过程类型,从而更好的支持用户进行探索式搜索。

关键词：探索式搜索用户探索过程探索过程分类树形模型 listnet

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

软件系统网络化建模及关键节点识别方法研究

软件系统网络化建模及关键节点识别方法研究

作者：冯小伟华北电力大学(北京)

学位级别：硕士

随着人们对软件功能的需求越来越多,软件系统的结构规模不断增长,不同软件间的交互方式日益复杂,这使得软件系统的复杂性与日俱增,进而极大地影响到软件系统的运行可靠性以及管理、维护等工作。而通过将复杂网络引入到软件网络的研究中... 详细信息

随着人们对软件功能的需求越来越多,软件系统的结构规模不断增长,不同软件间的交互方式日益复杂,这使得软件系统的复杂性与日俱增,进而极大地影响到软件系统的运行可靠性以及管理、维护等工作。而通过将复杂网络引入到软件网络的研究中,合理的描述软件系统结构,识别出软件系统中的关键关键部分,可以有效地从整体与局部角度来探索软件系统内在的结构特征,对提高软件系统可靠性、维护软件系统,预防漏洞、错误定位等有着重要的意义。为此,论文通过研究不同的网络模型,提出相应的建模方法,并以此为基础进行必要的分析,主要包括以下研究工作:首先在软件系统网络化建模方面,一方面,选取适当数量的子系统作为构件,从较大粒度层次来建立宏观网络模型,以研究软件系统的整体特性;另一方面,以类作为基本粒度单元,通过考虑类之间的多重影响对网络边进行相应赋权,改进类层次网络的加权方法,建立相应的微观网络模型,以分析软件系统的代码细节。然后在关键节点识别方面,从不同的侧重点出发,设计不同的关键节点识别方法:一方面,从优化评价节点排序指标的角度出发,用结构赋权的方式重构了鲁棒性测度函数,并且引入交换子概念实现离散化的萤火虫算法,通过增加基于佳点集初始解构造、分区搜索、可变全局吸引力和自适应随机项使得优化搜索能够准确收敛,从而实现了对网络关键节点的准确识别。另一方面,从综合不同度量指标的角度出发,将listnet引入到节点排序中来融合不同的度量指标,并且基于AdaBoost算法将多个listnet基学习器集成起来,以进一步提高listnet的泛化性能,使得整体关键节点识别有着较高准确性。最后为验证所提方法的有效性,通过分析实际软件网络系统16000与三个典型的软件的相关特性,分别建立了宏观与微观网络化模型,并在这四个网络模型的基础上,对所提关键节点识别方法进行了仿真实验对比。实验结果表明,所建立的不同层次网络化模型从全局与局部有效地刻画了软件系统的结构特征,符合软件的实际情况,为后续研究提供了准确的网络模型;两种不同侧重点的关键节点识别方法相较于同类型方法,有着较高的准确性,可以在实际的工作中根据情况选取相应的方法,以应对不同的应用场景。

关键词：软件系统宏观与微观网络模型关键节点识别萤火虫算法 AdaBoost listnet

社区问答系统中融入用户标签和用户行为的列表排序方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

社区问答系统中融入用户标签和用户行为的列表排序方法研究

作者：李祎阳昆明理工大学

学位级别：硕士

早期的搜索引擎,如百度、Google等为互联网用户提供了比较方便的信息获取方式,用户通过在搜索引擎中输入相关关键词可以很快得到自己想要的信息。但是随着互联网上信息的大爆炸以及生活节奏的加快,传统的搜索引擎已经不能很好地满足互... 详细信息

早期的搜索引擎,如百度、Google等为互联网用户提供了比较方便的信息获取方式,用户通过在搜索引擎中输入相关关键词可以很快得到自己想要的信息。但是随着互联网上信息的大爆炸以及生活节奏的加快,传统的搜索引擎已经不能很好地满足互联网用户快速获取目标知识的需求。然而,社区问答系统的出现弥补了搜索引擎的这种不足。社区问答系统开放性和交互性的特点将问题提问者和回答者紧密地联系在一起,可以满足用户更直接地快速地获取目标知识的需求。而在社区问答系统中答案排序是至关重要的,排序的准确性直接影响问答系统的质量和用户的体验。本文针对社区问答系统中的答案排序进行了如下几个方面的研究：(1)分析了社区问答系统中影响答案排序效果的特征。社区问答系统的特征包括用户标签和用户行为。社区问答系统中用户标签有问题回答者级别、问题回答者的擅长领域、问题回答者的被采纳率、问题回答者的被赞同数、问题回答者的经验值和问题回答者所关注的关键词等;用户行为有提问者的打分、游客的打分以及问题回答者经常回答的问题类别等。本文结合以上特征来对答案进行排序,后续实验表明融入用户标签和行为特征能有效提高答案排序的效果。(2)采用一种基于集成方法的半监督问句分类方法构建分类模型。为了将问题回答者的擅长领域和关注的关键词等特点有效地利用起来,必须对问句进行分类来匹配问题回答者的相关标签。该方法通过集成方法对分类器进行集成,再结合半监督学习方法用处理好的少量有标记问句特征和大量无标记问句特征来训练分类模型。然后用训练出的模型对新的问句进行分类,实验表明用基于集成的半监督分类方法可以有效提高问句分类准确率。(3)采用一种融入用户标签和用户行为特征的列表排序方法构建排序模型。首先对社区问答系统中用户标签和用户行为进行研究和分析,选取具有利用价值的用户标签和行为特征融合到答案特征空间中。选用神经网络作为模型,利用梯度下降法作为优化参数的listnet作为排序方法,构建融入用户标签和用户行为特征的listnet答案排序模型。最后用训练好的排序模型对已经经过处理的答案特征空间进行实验,对比实验结果表明融入用户标签和用户行为特征的listnet答案排序方法能明显提高答案排序效果。(4)采用一种基于用户标签和用户行为优化的列表排序方法构建排序模型。分析研究社区问答系统中用户标签和用户行为,选取具有利用价值的用户标签和用户行为对listnet排序模型进行优化。结合融入用户标签和用户行为的特征空间构建基于用户标签和用户行为优化的listnet答案排序模型。最后用训练好的排序模型对已经经过处理的答案特征空间进行实验,对比实验结果表明基于用户标签和用户行为优化的listnet答案排序方法能不同程度地提高答案排序的效果。

关键词：社区问答系统用户特征 listnet 排序学习排序模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

实体链接的研究与实现

实体链接的研究与实现

作者：王睿北京邮电大学

学位级别：硕士

随着互联网在中国快速地发展和普及,网络上的Web文本呈爆炸式增长,如何对海量Web文本进行更加智能化的分析是自然语言处理急需解决的问题。实体链接作为自然语言处理领域中的一项前沿任务,能够将Web文本中的实体指称与知识库中的具体实... 详细信息

随着互联网在中国快速地发展和普及,网络上的Web文本呈爆炸式增长,如何对海量Web文本进行更加智能化的分析是自然语言处理急需解决的问题。实体链接作为自然语言处理领域中的一项前沿任务,能够将Web文本中的实体指称与知识库中的具体实体概念相链接,它有助于机器从语义层次理解命名实体的含义,并能够推动情感计算、语义分析、知识工程等相关领域的发展。本文对英文命名实体链接任务进行研究，调研该领域内的国内外研究现状,提出了基于上下文和排序学习的实体链接方法,并按照该方法实现实体链接系统：首先扩充实体指称,在维基百科知识库中检索候选实体,通过抽取实体指称与候选实体之间的各类特征,利用listnet排序学习算法对候选实体进行排序,选出与实体指称相关度最高的候选实体名作为链接实体,最后对未登录实体通过实体聚类算法进行关联链接。实验结果表明,该方法在KBP 2013实体链接数据集上F值为0.660,比KBP 2013实体链接评测中所有参赛队伍的平均F值高0.092,比对照系统BUPTTeam2013的F值高0.162。本文的主要贡献如下：1.把实体指称扩充作为英文缩写、简写的逆过程处理,匹配上下文中合适的指代作为扩充名;为了解决现有的实体指称扩充方法中的不足,提出从Wikipedia中抽取的词表和网络爬虫获取的网络知识辅助扩充的方法。实验表明,本文提出的扩充方法能够提高候选检索的召回率,同时减少平均候选数;2.提出基于特征抽取和listnet的候选实体排序方法。特征有效性实验表明：本文使用的特征均对实体链接具有积极作用,并且与语义有关的相似度特征在候选排序中起到重要的作用。在本文使用的数据集和特征抽取方法下的排序准确率实验表明,listnet算法比Ranking SVM算法的排序准确率更高;3.在实体聚类中,本文提出基于规则和K-means聚类的混合聚类算法,该算法较层次聚类算法性能更好。

关键词：实体链接同维基百科实体指称扩充排序学习算法 listnet

基于LBPR-NET的融合时空特征的兴趣点推荐模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

兰州文理学院学报（自然科学版） 2023年第3期37卷 45-52页

作者：程淑玉安徽电子信息职业技术学院信息工程学院安徽蚌埠233060

传统的兴趣点推荐算法都是通过用户签到信息建模用户与兴趣点之间的偏好直接进行兴趣点的推荐及优化,针对传统方法存在高维稀疏、噪声、计算复杂度高和无法建模用户兴趣的动态变化等问题,提出基于LBPR-NET的融合时空特征的兴趣点推荐模... 详细信息

传统的兴趣点推荐算法都是通过用户签到信息建模用户与兴趣点之间的偏好直接进行兴趣点的推荐及优化,针对传统方法存在高维稀疏、噪声、计算复杂度高和无法建模用户兴趣的动态变化等问题,提出基于LBPR-NET的融合时空特征的兴趣点推荐模型.首先引入时间特征建模用户兴趣的动态变化,通过观察用户不同时刻在兴趣点类别之间的转移关系,并采用List-BPR方法进行兴趣点类别建模,根据listnet方法优化兴趣点类别排序列表,克服了高维稀疏问题,降低计算复杂度;其次,在类别内部通过启发式算法筛选出兴趣点的候选集,降低了噪声.实验结果表明,该模型能有效提高推荐质量和准确率.

关键词：兴趣点推荐时空上下文信息贝叶斯个性化排序张量分解 listnet