Geri Dön

Learning to rank

Sıralama öğrenimi

PDF İndir

  1. Tez No: 301091
  2. Yazar: YASİN OZAN KILIÇ
  3. Danışmanlar: YRD. DOÇ. DR. OLCAY TANER YILDIZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2011
  8. Dil: İngilizce
  9. Üniversite: Işık Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 53

Özet

Sıralama ögrenimi örnek verileri kullanarak bunlardan bir sıralama modeli oluşturanmakine ögrenimi metotlarıdır. Bu model dökümanları önemine ya da uygunluğunabağlı olarak sıralayabilir. Bir çok Bilgiye Erişim teknolojisinin temelinde sıralama vardır.Bu yuzden Sıralama öğrenimi teknolojisi ile varolan bu teknolojiler daha da iyileştirilebilir.Sıralama öğrenimi son yıllarda artan bir popülariteye sahip olmuştur. Bununtemel sebebi Sıralama öğrenimi metotlarının arama motorları tarafından kullanılmayabaşlanmış olmasıdır. Büyük arama motoru şirketleri son zamanlarda bir çok Sıralamaöğrenimi algoritmaları geliştirmiş ve bu algoritmaları arama sistemlerinde kullanarakiyi 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 öğrenimialgoritması tasarlayıp bunu popüler bir algoritma olan RankingSVM ile karşılaştırdık.

Özet (Çeviri)

The web has grown so rapidly in the last decade and it brought the need forproper ranking. Learning to rank (LTR) is the collection of machine learning technologies that construct a ranking model using training data. The model can sort documentsaccording to their degrees of relevance or preference.In this thesis, we introduce LTR technologies and divide them into three approaches: the point-wise, pair-wise and list-wise. We review the theoretical aspects ofeach category and introduce the representative algorithms of them.We also introduce a new LTR method GRwC which uses classication and graphalgorithms. We reduce the ranking problem to a two class classication problem andapply KNN algorithm on a modied LTR dataset. We compared it with the popularranking algorithm RankingSVM.Experiments on the well-known ranking datasets show that our proposed methodgives slightly worse results than RankingSVM.

Benzer Tezler

  1. Tez No

    527809

    Learning to rank web data using multivariate adaptive regression splines

    Çok değişkenli uyarlanabilir regresyon eğrileri ile web verilerini sıralamayı öğrenme

    GÜLŞAH ALTINOK

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. İNCİ BATMAZ

    PROF. DR. PINAR KARAGÖZ

  2. Tez No

    397215

    Learning to rank with incomplete judgements

    Tamamlanmamış kararlar ile sıralama öğrenme

    HİKMET BAHADIR ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. EMİNE YILMAZ

    DOÇ. DR. DENİZ YURET

  3. Tez No

    442115

    Using learning to rank for a top-n recommendation system in tv domain

    Tv alanında bir ilk-n öneri sistemi için sıralama öğreniminin kullanılması

    BEDİA ACAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FEHİME NİHAN ÇİÇEKLİ

  4. Tez No

    588412

    Efficient personalized learning to rank from implicit feedback for time-sensitive recommendations

    Zaman duyarlı öneriler için örtük geri bildirimden verimli şekilde kişiselleştirilmiş sıralama öğrenme

    ARİF MURAT YAĞCI

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SADIK FİKRET GÜRGEN

    DR. ÖĞR. ÜYESİ TEVFİK AYTEKİN

  5. Tez No

    884401

    An intelligent system for ranking e-commerce customer reviews to boost engagement

    Müşteri etkileşimini artırmak için e-ticaret müşteri yorumlarını sıralayan akıllı sistem

    ERTUĞRUL YÜCEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA KAYA

Geri Dön