Learning to rank web data using multivariate adaptive regression splines
Çok değişkenli uyarlanabilir regresyon eğrileri ile web verilerini sıralamayı öğrenme
- Tez No: 527809
- Danışmanlar: PROF. DR. İNCİ BATMAZ, PROF. DR. PINAR KARAGÖZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İstatistik, Computer Engineering and Computer Science and Control, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Son zamanlarda Bilgi Edinme (BE), Doğal Dil İşleme (DDİ) ve Veri Madenciliği (VM) gibi alanlardaki çeşitli uygulamalarda otomatik olarak sıralama modelleri oluşturmak için makina öğrenmesi tekniklerinin kullanılması amacıyla sıralamayı öğrenmek adında yeni bir yaklaşım ortaya çıkmıştır. Bu tekniğin tipik uygulama alanları arasında belge alma, uzman arama, tanımlama arama, işbirlikçi filtreleme, soru yanıtlama ve makine çevirisi gibi pratikler mevcuttur. Bilgi edinme alanında, sıralama için kullanılan üç yaklaşım vardır. Bu yaklaşımlardan biri, Boole Modeli (BM), Vektör Uzay Modeli (VUM) ve klasik Olasılık Modeli (klasik OM) gibi geleneksel modelleri kapsayan bir yaklaşımdır. Bilgi edinmede kullanılan bir diğer yaklaşım ise doğal Dil Modeli (DM) olarak adlandırılır. Bu yaklaşım n-gram Modelleri ve Sorgu Olabilirlik Modellerini (SOM) içermektedir. Üçüncü yaklaşım ise, Destek Vektör Modeli (DVM) ve Yapay Sinir Ağı (YSA) gibi makine öğrenim yöntemlerinden oluşan sistem modeli yaklaşımıdır. Bu çalışmada, sistem modeli yaklaşımında benimsenmiş ve yaygın olarak kullanılan bu modellerinin, DVM ve YSA yöntemlerinin, performansları Çok değişkenli Uyarlanabilir Regresyon Eğrileri (ÇURE) ve Konik ÇURE modelinin (KÇURE) modellerinin performansları ile karşılaştırılmıştır. Sonuçlar ÇURE modelin bu çalışmada göz önüne alınan diğer modellerden daha iyi olduğunu göstermektedir.
Özet (Çeviri)
A new trend, called learning to rank, has recently come to light in a wide variety of applications in Information Retrieval (IR), Natural Language Processing (NLP), and Data Mining (DM), to utilize machine learning techniques to automatically build the ranking models. Typical applications are document retrieval, expert search, definition search, collaborative filtering, question answering, and machine translation. In IR, there are three approaches used for ranking. The first one is the traditional model approaches such as Boolean Model (BM), Vector Space Model (VSM) and classical Probabilistic Model (classical PM). The second approach is called the Language Model (LM). Such models include n-gram Model, Query Likelihood Model (QLM). The final method is namely the system model like Support Vector Model (SVM) and Artificial Neural Network (ANN). In this study, we adopted the system model approach and compared the performances of those widely used models, SVM and ANN with those of Multivariate Adaptive Regression Splines (MARS) and its variant Conic Multivariate Adaptive Regression Splines (CMARS). Results indicate that MARS performs better than the others considered in this study.
Benzer Tezler
- Learning to rank
Sıralama öğrenimi
YASİN OZAN KILIÇ
Yüksek Lisans
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OLCAY TANER YILDIZ
- Optimization of an educational search engine using learning to rank algorithms
Sıralama amaçlı öğrenme algoritmaları kullanarak eğitim tabanlı arama motoru optimizasyonu
ARİF USTA
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR ULUSOY
- Unconstrained face recognition under mismatched conditions
Eşleşmeyen koşullar altında yüz tanıma
OMID ABDOLLAHI AGHDAM
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- İstatistiksel öğrenme yöntemleriyle bankaların derecelendirilmesi: Türkiye bankacılık sistemi uygulaması
Banks rating using statistical learning methods: An implementation with Turkey banking system
AMURI BINAMAN
Yüksek Lisans
Türkçe
2022
BankacılıkMarmara Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. BİRSEN EYGİ ERDOĞAN
- A decision support model based on Bayesian belief network to evaluate urban vibrancy
Kentsel canlılığı değerlendirmek amacıyla geliştirilen Bayes inanç ağlarına dayalı karar destek modeli
GÜLCE KIRDAR BAKRAÇ
Doktora
İngilizce
2023
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ