یادگیری رتبه بندی که یکی از روش های یادگیری ماشین برای مدل کردن رتبه بندی است، امروزه کاربردهای بسیاری به خصوص در بازیابی اطلاعات، پردازش زبان طبیعی و داده کاوی دارد. فعالیت یادگیری رتبه بندی را می توان به دو بخش تقسیم کرد. یکی سیستم یادگیری مورد استفاده و دیگری سیستم رتبه بندی. در سیستم یادگیری، یک مدل رتبه بندی بر اساس داده های ورودی ساخته می شود. در بخش سیستم رتبه بندی، از این مدل ساخته شده ...

امروزه به دلیل حجم عظیم اطلاعات در وب و همچنین پویا بودن اطلاعات، مهم ترین چالش در بازیابی اطلاعات وب، خصوصاً موتورهای جستجو، رتبه بندی نتایج در پاسخ به پرس و جوی کاربر است. تاکنون الگوریتم های متنوعی که مبتنی بر محتوا و اتصال می باشند ارائه شده اند. علاوه بر روش های سنتی، روش های نوینی با عنوان روش های یادگیری جهت رتبه بندی مطرح شده است که به طور خلاصه عبارت است از ایجاد یک مدل خودکار رتبه بندی...

امروزه رتبه بندی مبتنی بر یادگیری به مبحث تحقیقاتی مهمی در زمینه ی بازیابی اطلاعات تبدیل شده است. در حقیقت یک داستان یکسان برای روش های رتبه بندی اتفاق می افتد. در این داستان، هدف فراهم کردن مدل رتبه بندی بر طبق ارتباط بین اسناد و پرس وجو است که اسناد را به عنوان ورودی دریافت کند و لیست اسناد را بر حسب میزان مرتبط بودنشان به پرس وجوی کاربر مرتب کند. در این پایان نامه، سه الگوریتم رتبه بندی مبتن...

یکی از موضوعات تحقیقی مهم، تنوع نتایج جستجو در وب می باشد. در موتورهای جستجو پیشرفته به دلیل محدودیت های زمان پاسخ پرس وجوها، دو فاز رتبه بندی به کار گرفته می شود. در فاز اول، از اسناد مرتبط با مجموعه ورودی، به صورت نا دقیقی زیر مجموعه کوچکی انتخاب می شود. در فاز دوم، اسناد کاندید مجدداً به وسیله معماری سیستم های یادگیری ماشین دقیق و پیچیده، رتبه بندی می شوند. رتبه بندی پایانی به وسیله رتبه های ...

ارزیابی نظامهای بازیابی اطلاعات یکی از چالشهای بزرگ متخصصان علم اطلاعات است چون تعیین کارآیی یک نظام به قضاوت در مورد ربط مدارک ارائه شده با نیاز اطلاعاتی کاربر بستگی دارد و این موضوع دارای پیچیدگی های خاصی است. از طرفی نظامهای بازیابی وبی، بسیار متفاوت تر از نظامهای بازیابی سنتی هستند. در محیط وب نیز با نظامها با مجموعه های رتبه بندی شده و نظامها با مجمو عه های رتبه بندی نشده مواجه هستیم که هر...