| http://dbpedia.org/ontology/abstract
|
Навчання ранжуванню (англ. learning to ran … Навчання ранжуванню (англ. learning to rank) або машине-навчання ранжуванню (МНР, англ. machine-learned ranking) є застосуванням машинного навчання, як правило, навчання з учителем, напівавтоматичного навчанням або навчання з підкріпленням, при побудові моделей ранжування для інформаційно-пошукових систем. Навчальні набори даних складаються зі списків елементів з деяким частковим порядком, заданим між елементами в кожному списку. Цей порядок, як правило, відповідає числовим або порядковим балам або бінарним рішенням (наприклад, «відповідає» або «не відповідає») для кожного елемента. Метою моделі ранжування є присвоєння рангу, тобто, у проведенні перестановки елементів з метою створення нових списків, які «подібні» до рейтингів у навчальних даних в певному сенсі.тингів у навчальних даних в певному сенсі.
, Learning to rank or machine-learned rankin … Learning to rank or machine-learned ranking (MLR) is the application of machine learning, typically supervised, semi-supervised or reinforcement learning, in the construction of ranking models for information retrieval systems. Training data consists of lists of items with some partial order specified between items in each list. This order is typically induced by giving a numerical or ordinal score or a binary judgment (e.g. "relevant" or "not relevant") for each item. The goal of constructing the ranking model is to rank new, unseen lists in a similar way to rankings in the training data.ilar way to rankings in the training data.
, Aprendizaje de clasificación o aprendizaj … Aprendizaje de clasificación o aprendizaje automático de clasificación (MLR, por sus siglas en inglés) es la aplicación de aprendizaje automático, típicamente supervisado, semisupervisado o aprendizaje reforzado en la construcción de modelos de clasificación para sistemas de recuperación de información. Los datos de entrenamiento consisten en listas de elementos con algún orden parcial especificado entre elementos en cada lista. Este orden es típicamente inducido por dar una puntuación numérica u ordinal o un juicio binario (p. ej., «relevante» o «no relevante») para cada elemento. El propósito del modelo de clasificación es producir una permutación de elementos en nuevas listas, que no se ven de una manera que sea «similar» a clasificaciones en los datos de entrenamiento en algún sentido. El aprendizaje de clasificación es relativamente una nueva área de investigación que ha surgido en la última década.gación que ha surgido en la última década.
, Обуче́ние ранжи́рованию (англ. learning to … Обуче́ние ранжи́рованию (англ. learning to rank или machine-learned ranking, MLR) — это класс задач машинного обучения с учителем, заключающихся в автоматическом подборе ранжирующей модели по обучающей выборке, состоящей из множества списков и заданных частичных порядков на элементах внутри каждого списка. Частичный порядок обычно задаётся путём указания оценки для каждого элемента (например, «релевантен» или «не релевантен»; возможно использование и более, чем двух градаций). Цель ранжирующей модели — наилучшим образом (в некотором смысле) приблизить и обобщить способ ранжирования в обучающей выборке на новые данные. Обучение ранжированию — это ещё довольно молодая, бурно развивающаяся область исследований, возникшая в 2000-е годы с появлением интереса в области информационного поиска к применению методов машинного обучения к задачам ранжирования.машинного обучения к задачам ранжирования.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/MLR-search-engine-example.svg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
http://research.microsoft.com/apps/pubs/default.aspx%3Fid=70428 +
, https://www.microsoft.com/en-us/research/wp-content/uploads/2005/08/icml_ranking.pdf +
, https://openaccess.thecvf.com/content_CVPR_2020/papers/Rolinek_Optimizing_Rank-Based_Metrics_With_Blackbox_Differentiation_CVPR_2020_paper.pdf +
, https://web.archive.org/web/20130620070239/http:/machinelearning.org/archive/icml2009/papers/498.pdf +
, https://link.springer.com/article/10.1007/s10115-022-01726-0 +
, http://eprints.nottingham.ac.uk/41540/1/dls_sac2017.pdf +
, https://ecmlpkdd2019.org/downloads/paper/400.pdf +
, https://sites.google.com/site/rtranking/ +
, http://www.cs.cornell.edu/People/tj/publications/yue_etal_07a.pdf +
, https://arxiv.org/abs/1803.05796 +
, https://arxiv.org/abs/1905.06452 +
, https://arxiv.org/pdf/1904.06813.pdf +
, https://arxiv.org/pdf/2012.06731v2.pdf +
, https://arxiv.org/abs/1001.4597 +
, https://arxiv.org/abs/1603.02754 +
, https://web.archive.org/web/20100301011649/http:/learningtorankchallenge.yahoo.com/ +
, https://people.cs.pitt.edu/~valizadegan/Publications/NDCG_Boost.pdf +
, https://github.com/apache/lucene-solr/tree/master/solr/contrib/ltr +
, https://www.researchsquare.com/article/rs-2121120/v1 +
, https://www.researchsquare.com/article/rs-2293850/v1 +
, https://dl.acm.org/doi/abs/10.1145/3397271.3401104 +
, http://phd.dii.unisi.it/PosterDay/2009/Tiziano_Papini.pdf +
, https://web.archive.org/web/20100807162456/http:/www.stat.rutgers.edu/~tzhang/papers/nips07-ranking.pdf +
, https://storage.googleapis.com/pub-tools-public-publication-data/pdf/42242.pdf +
, https://dl.acm.org/doi/abs/10.1145/3209978.3209985 +
, https://dl.acm.org/doi/abs/10.1145/3341981.3344218 +
, https://mloss.org/software/view/332/ +
, http://www.eecs.tufts.edu/~dsculley/papers/combined-ranking-and-regression.pdf +
, http://www.cs.pitt.edu/~valizadegan/Publications/ranking_refinement.pdf +
, http://www-stat.stanford.edu/~jhf/ftp/trebst.ps +
, https://web.archive.org/web/20100723152841/http:/www-connex.lip6.fr/~amini/SSRankBoost/ +
, https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Schroff_FaceNet_A_Unified_2015_CVPR_paper.pdf +
, http://dlib.net/ml.html%23svm_rank_trainer +
, http://www.jmlr.org/papers/volume19/17-179/17-179.pdf +
, http://research.microsoft.com/pubs/69536/tr-2008-109.pdf +
, http://cs-people.bu.edu/fcakir/papers/fastap_cvpr2019.pdf +
, http://www.cc.gatech.edu/~zha/papers/fp086-zheng.pdf +
, https://web.archive.org/web/20150912134134/http:/imat2009.yandex.ru/en +
, http://research.microsoft.com/en-us/people/hangli/qin_ipm_2008.pdf +
, http://research.microsoft.com/en-us/people/junxu/sigir2007-adarank.pdf +
, http://research.microsoft.com/en-us/people/junxu/sigir2008-directoptimize.pdf +
, http://research.microsoft.com/en-us/people/tyliu/cao-et-al-sigir2006.pdf +
, https://web.archive.org/web/20100601205607/http:/wume.cse.lehigh.edu/~ovd209/wsdm/proceedings/docs/p151.pdf +
, http://research.microsoft.com/en-us/people/tyliu/icml-listmle.pdf +
, http://www.iis.sinica.edu.tw/papers/whm/8820-F.pdf +
, http://research.microsoft.com/en-us/projects/mslr/default.aspx +
, http://jmlr.csail.mit.edu/papers/volume4/freund03a/freund03a.pdf +
, https://web.archive.org/web/20101122085504/http:/itcs.tsinghua.edu.cn/papers/2009/2009031.pdf +
, http://staff.cs.utu.fi/~aatapa/publications/inpPaTsAiBoSa07a.pdf +
, http://research.microsoft.com/en-us/um/people/cburges/papers/lambdarank.pdf +
, http://research.microsoft.com/apps/pubs/%3Fid=63585 +
, http://research.microsoft.com/apps/pubs/default.aspx%3Fid=65610 +
, http://research.microsoft.com/apps/pubs/default.aspx%3Fid=68128 +
, http://research.microsoft.com/apps/pubs/default.aspx%3Fid=70364 +
, https://www.microsoft.com/en-us/research/project/letor-learning-rank-information-retrieval/ +
|
| http://dbpedia.org/ontology/wikiPageID
|
25050663
|
| http://dbpedia.org/ontology/wikiPageLength
|
48380
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1124870156
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Special_Interest_Group_on_Information_Retrieval +
, http://dbpedia.org/resource/Vector_space_model +
, http://dbpedia.org/resource/Category:Information_retrieval_techniques +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Peter_Norvig +
, http://dbpedia.org/resource/AltaVista +
, http://dbpedia.org/resource/Partial_order +
, http://dbpedia.org/resource/Machine_translation +
, http://dbpedia.org/resource/Text_Retrieval_Conference +
, http://dbpedia.org/resource/Tie-Yan_Liu +
, http://dbpedia.org/resource/Relevance_%28information_retrieval%29 +
, http://dbpedia.org/resource/Discounted_cumulative_gain +
, http://dbpedia.org/resource/Web_search_engine +
, http://dbpedia.org/resource/Inverse_document_frequency +
, http://dbpedia.org/resource/HITS_algorithm +
, http://dbpedia.org/resource/Category:Ranking_functions +
, http://dbpedia.org/resource/Training_data +
, http://dbpedia.org/resource/Bag_of_words +
, http://dbpedia.org/resource/PageRank +
, http://dbpedia.org/resource/Computational_biology +
, http://dbpedia.org/resource/Open-source_software +
, http://dbpedia.org/resource/Image_retrieval +
, http://dbpedia.org/resource/Recommender_system +
, http://dbpedia.org/resource/Supervised_learning +
, http://dbpedia.org/resource/Reinforcement_learning +
, http://dbpedia.org/resource/Yahoo +
, http://dbpedia.org/resource/Language_modeling +
, http://dbpedia.org/resource/Multimedia_information_retrieval +
, http://dbpedia.org/resource/Google +
, http://dbpedia.org/resource/Software_engineering +
, http://dbpedia.org/resource/Ordinal_regression +
, http://dbpedia.org/resource/Cuil +
, http://dbpedia.org/resource/Feature_vector +
, http://dbpedia.org/resource/Mean_reciprocal_rank +
, http://dbpedia.org/resource/Microsoft_Research +
, http://dbpedia.org/resource/Feature_%28machine_learning%29 +
, http://dbpedia.org/resource/Yandex +
, http://dbpedia.org/resource/Norbert_Fuhr +
, http://dbpedia.org/resource/Online_advertising +
, http://dbpedia.org/resource/Google_SearchWiki +
, http://dbpedia.org/resource/Polynomial_regression +
, http://dbpedia.org/resource/International_Conference_on_Machine_Learning +
, http://dbpedia.org/resource/Logistic_distribution +
, http://dbpedia.org/resource/Triplet_loss +
, http://dbpedia.org/resource/Feature_engineering +
, http://dbpedia.org/resource/Computer_vision +
, http://dbpedia.org/resource/Okapi_BM25 +
, http://dbpedia.org/resource/Standard_Boolean_model +
, http://dbpedia.org/resource/Classification_%28machine_learning%29 +
, http://dbpedia.org/resource/Content-based_image_retrieval +
, http://dbpedia.org/resource/Logistic_regression +
, http://dbpedia.org/resource/Document_retrieval +
, http://dbpedia.org/resource/Information_retrieval +
, http://dbpedia.org/resource/Collaborative_filtering +
, http://dbpedia.org/resource/Generative_adversarial_network +
, http://dbpedia.org/resource/Gradient_boosting +
, http://dbpedia.org/resource/MatrixNet +
, http://dbpedia.org/resource/Binary_classifier +
, http://dbpedia.org/resource/Ranking_function +
, http://dbpedia.org/resource/Mean_Average_Precision +
, http://dbpedia.org/resource/File:MLR-search-engine-example.svg +
, http://dbpedia.org/resource/TF-IDF +
, http://dbpedia.org/resource/Overture_Services%2C_Inc. +
, http://dbpedia.org/resource/Neural_Information_Processing_Systems +
, http://dbpedia.org/resource/Query-level_feature +
, http://dbpedia.org/resource/Permutation +
, http://dbpedia.org/resource/Normalized_discounted_cumulative_gain +
, http://dbpedia.org/resource/Cumulative_distribution_function +
, http://dbpedia.org/resource/Semi-supervised_learning +
, http://dbpedia.org/resource/Sentiment_analysis +
, http://dbpedia.org/resource/Loss_function +
, http://dbpedia.org/resource/University_of_California_at_Berkeley +
, http://dbpedia.org/resource/Bing_%28search_engine%29 +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Kendall%27s_tau +
, http://dbpedia.org/resource/Apache_Solr +
, http://dbpedia.org/resource/Precision_%28information_retrieval%29 +
, http://dbpedia.org/resource/Spearman%27s_rank_correlation_coefficient +
, http://dbpedia.org/resource/Stochastic_gradient_descent +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Expand_section +
, http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:When +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Main +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Category:Ranking_functions +
, http://dbpedia.org/resource/Category:Information_retrieval_techniques +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Application +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Learning_to_rank?oldid=1124870156&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/MLR-search-engine-example.svg +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Learning_to_rank +
|
| owl:sameAs |
http://uk.dbpedia.org/resource/%D0%9D%D0%B0%D0%B2%D1%87%D0%B0%D0%BD%D0%BD%D1%8F_%D1%80%D0%B0%D0%BD%D0%B6%D1%83%D0%B2%D0%B0%D0%BD%D0%BD%D1%8E +
, http://www.wikidata.org/entity/Q4330127 +
, https://global.dbpedia.org/id/41GwT +
, http://dbpedia.org/resource/Learning_to_rank +
, http://ru.dbpedia.org/resource/%D0%9E%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0%B0%D0%BD%D0%B6%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8E +
, http://rdf.freebase.com/ns/m.09gn0w4 +
, http://es.dbpedia.org/resource/Aprendizaje_de_clasificaci%C3%B3n +
, http://yago-knowledge.org/resource/Learning_to_rank +
|
| rdf:type |
http://dbpedia.org/class/yago/Function113783816 +
, http://dbpedia.org/class/yago/MathematicalRelation113783581 +
, http://dbpedia.org/class/yago/Relation100031921 +
, http://dbpedia.org/class/yago/WikicatRankingFunctions +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/ontology/Software +
|
| rdfs:comment |
Обуче́ние ранжи́рованию (англ. learning to … Обуче́ние ранжи́рованию (англ. learning to rank или machine-learned ranking, MLR) — это класс задач машинного обучения с учителем, заключающихся в автоматическом подборе ранжирующей модели по обучающей выборке, состоящей из множества списков и заданных частичных порядков на элементах внутри каждого списка. Частичный порядок обычно задаётся путём указания оценки для каждого элемента (например, «релевантен» или «не релевантен»; возможно использование и более, чем двух градаций). Цель ранжирующей модели — наилучшим образом (в некотором смысле) приблизить и обобщить способ ранжирования в обучающей выборке на новые данные.вания в обучающей выборке на новые данные.
, Learning to rank or machine-learned rankin … Learning to rank or machine-learned ranking (MLR) is the application of machine learning, typically supervised, semi-supervised or reinforcement learning, in the construction of ranking models for information retrieval systems. Training data consists of lists of items with some partial order specified between items in each list. This order is typically induced by giving a numerical or ordinal score or a binary judgment (e.g. "relevant" or "not relevant") for each item. The goal of constructing the ranking model is to rank new, unseen lists in a similar way to rankings in the training data.ilar way to rankings in the training data.
, Навчання ранжуванню (англ. learning to ran … Навчання ранжуванню (англ. learning to rank) або машине-навчання ранжуванню (МНР, англ. machine-learned ranking) є застосуванням машинного навчання, як правило, навчання з учителем, напівавтоматичного навчанням або навчання з підкріпленням, при побудові моделей ранжування для інформаційно-пошукових систем. Навчальні набори даних складаються зі списків елементів з деяким частковим порядком, заданим між елементами в кожному списку. Цей порядок, як правило, відповідає числовим або порядковим балам або бінарним рішенням (наприклад, «відповідає» або «не відповідає») для кожного елемента. Метою моделі ранжування є присвоєння рангу, тобто, у проведенні перестановки елементів з метою створення нових списків, які «подібні» до рейтингів у навчальних даних в певному сенсі.тингів у навчальних даних в певному сенсі.
, Aprendizaje de clasificación o aprendizaj … Aprendizaje de clasificación o aprendizaje automático de clasificación (MLR, por sus siglas en inglés) es la aplicación de aprendizaje automático, típicamente supervisado, semisupervisado o aprendizaje reforzado en la construcción de modelos de clasificación para sistemas de recuperación de información. Los datos de entrenamiento consisten en listas de elementos con algún orden parcial especificado entre elementos en cada lista. Este orden es típicamente inducido por dar una puntuación numérica u ordinal o un juicio binario (p. ej., «relevante» o «no relevante») para cada elemento. El propósito del modelo de clasificación es producir una permutación de elementos en nuevas listas, que no se ven de una manera que sea «similar» a clasificaciones en los datos de entrenamiento en algún sentidlos datos de entrenamiento en algún sentid
|
| rdfs:label |
Aprendizaje de clasificación
, Навчання ранжуванню
, Обучение ранжированию
, Learning to rank
|
