• Türkçe
    • English
  • Türkçe 
    • Türkçe
    • English
  • Giriş
Öğe Göster 
  •   DSpace Ana Sayfası
  • Tez Koleksiyonu (Enstitüler / Institutes)
  • Fen Bilimleri Enstitüsü / Graduate School for Science and Engineering
  • Yüksek Lisans / Master's Programs
  • FBE - Tez Koleksiyonu | Bilgisayar Mühendisliği / Computer Engineering
  • Öğe Göster
  •   DSpace Ana Sayfası
  • Tez Koleksiyonu (Enstitüler / Institutes)
  • Fen Bilimleri Enstitüsü / Graduate School for Science and Engineering
  • Yüksek Lisans / Master's Programs
  • FBE - Tez Koleksiyonu | Bilgisayar Mühendisliği / Computer Engineering
  • Öğe Göster
JavaScript is disabled for your browser. Some features of this site may not work without it.

Learning to rank

Thumbnail
Göster/Aç
MasterThesis (524.9Kb)
Tarih
2011-04-28
Yazar
Kılıç, Yasin Ozan
Metadata
Tüm öğe kaydını göster
Özet
The web has grown so rapidly in the last decade and it brought the need for proper ranking. Learning to rank (LTR) is the collection of machine learning technolo- gies that construct a ranking model using training data. The model can sort documents according to their degrees of relevance or preference. In this thesis, we introduce LTR technologies and divide them into three ap- proaches: the point-wise, pair-wise and list-wise. We review the theoritical aspects of each category and introduce the representative algorithms of them. We also introduce a new LTR method GRwC which uses classifîcation and graph algorithms. We reduce the ranking problem to a two class classifîcation problem and apply KNN algorithm on a modified LTR dataset. We compared it with the popular ranking algorithm RankingSVM. Experiments on the well-known ranking datasets show that our proposed method gives slightly worse results than RankingSVM.
 
ıralama öğrenimi örnek verileri kullanarak bunlardan bir sıralama modeli oluşturan makine öğrenimi metotlarıdır. Bu model dokümanları önemine ya da uygunluğuna bağlı olarak sıralayabilir. Birçok Bilgiye Erişim teknolojisinin temelinde sıralama vardır. Bu yüzden Sıralama öğrenimi teknolojisi ile varolan bu teknolojiler daha da iyileştirilebilir. Sıralama öğrenimi son yıllarda artan bir popülariteye sahip olmuştur. Bunun temel sebebi Sıralama öğrenimi metotlarının arama motorları tarafından kullanılmaya başlanmış olmasıdır. Büyük arama motoru şirketleri son zamanlarda bir çok Sıralama öğrenimi algoritmaları geliştirmiş ve bu algoritmaları arama sistemlerinde kullanarak iyi sonuçlar almışlardır. Bu tezde, Sıralama öğrenimi teknolojilerini inceledik ve üç ayrı kategoriye ayırdık: nokta-bazlı, çift-bazlı ve liste-bazlı yaklaşımlar. Ayrıca yeni bir Sıralama öğrenimi algoritması tasarlayıp bunu popüler bir algoritma olan RankingSVM ile karşılatırdık.
 
Bağlantı
http://hdl.handle.net/11729/881
Collections
  • FBE - Tez Koleksiyonu | Bilgisayar Mühendisliği / Computer Engineering [53]

DSpace software copyright © 2002-2013  Duraspace
İletişim | Geri Bildirim
Theme by 
@mire NV
 

 

Göz at

Tüm DSpaceBölümler & KoleksiyonlarTarihe GöreYazara GöreBaşlığa GöreKonuya GöreBu KoleksiyonTarihe GöreYazara GöreBaşlığa GöreKonuya Göre

Hesabım

GirişKayıt

DSpace software copyright © 2002-2013  Duraspace
İletişim | Geri Bildirim
Theme by 
@mire NV