فایل ورد کامل نظریه و الگوریتم رویکرد Listwise جهت یادگیری رتبه بندی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل نظریه و الگوریتم رویکرد Listwise جهت یادگیری رتبه بندی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

۷- نتیجه گیری

در این مقاله ما به برر سی تئوری و الکوریتم های رویکرد لیستی برای یادگیری رتبه بندی می پردازیم. خاطر نشان می شود که برای درک اثر بخشی یادگیری در الکوریتم رتبه بندی، انجام تحلیل نظری بر روی تابع زیان لازم است. ما به بررسی تابع زیان از چشم انداز های مختلف پیوستگی، صحت، مشتق پذیری و کارایی می پردازیم. نتایج نظری در خصوص پیوستکی رتبه بندی بدست امد. تحلیل بر روی زیان احتمالی ، کوسینوس، و انتروپی زیان انجام شد. نتایج نشان می دهد که زیان احتمال دارای خواص بهتری از هر دو زیان دیگر است. یک الگویریتم یادگیری جدید با استفاده از زیان احتمالی موسووم به ListMLE اتوسعه داده و اثر بخشی از طریق ازمایشات اثبات شد چندین مسیر را می توان در اینده مطالعه کرد ۱- هدف ما انجام تحلیل نظری بیشتر بر ویژگی های تابع زیان است برای مثال شرایط ضعیف تر برای پیوستگی و رتبه بندی همگرایی ۲- هدف ما بررسی موردی است که در آن تابع هزنیه حساس به هزینه به حای ۰-۱ استفاده می شود. ۳- ما به بررسی تابع زیان جایگزین با ابزار های توسعه یافته در این مقاله می پردازیم.

عنوان انگلیسی:Listwise Approach to Learning to Rank – Theory and Algorithm~~en~~

۷ Conclusion

In this paper, we have investigated the theory and algorithms of the listwise approach to learning to rank. We have pointed out that to understand the effectiveness of a learning to rank algorithm, it is necessary to conduct theoretical analysis on its loss function. We propose investigating a loss function from the viewpoints of (a) consistency, (b) soundness, (c) continuity, differentiability, convexity, and (d) efficiency. We have obtained some theoretical results on consistency of ranking. We have conducted analysis on the likelihood loss, cosine loss, and cross entropy loss. The result indicates that the likelihood loss has better properties than the other two losses. We have then developed a new learning algorithm using the likelihood loss, called ListMLE and demonstrated its effectiveness through experiments. There are several directions which we can further explore. (1) We want to conduct more theoretical analysis on the properties of loss functions, for example, weaker conditions for consistency and the rates of convergence. (2) We plan to study the case where costsensitive loss function is used instead of the 0 1 loss function in defining the expected loss. (3) We plan to investigate other surrogate loss functions with the tools we have developed in this paper.

$$en!!