文献

J-GLOBAL ID：201902227304724094   整理番号：19A1394863

FGFIREM:情報検索評価尺度に基づく特徴生成フレームワーク【JST・京大機械翻訳】

FGFIREM: A feature generation framework based on information retrieval evaluation measures

著者 (5件)： Lin Yuan (WISE Lab, School of Public Administration and Law, Dalian University of Technology, Dalian, China) ,  Xu Bo (Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian, China) ,  Lin Hongfei (Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian, China) ,  Xu Kan (Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian, China) ,  Zhang Ping (Faculty of Electronic Information and Electrical Engineering, Dalian University of Technology, Dalian, China)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 133  ページ： 75-85  発行年： 2019年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ランクへの学習は,近年,最も一般的な研究領域の1つになった。ランク付けアルゴリズムに対する一連の学習を,ランキング性能を改善するために提案した。本研究では,AdaRankアルゴリズムに基づく評価測度を直接最適化することにより,アルゴリズムをランク付けする3つの学習を提案した。AdaRank-ERR,AdaRank-MRR,AdaRank-Qの3つのアルゴリズムを命名した。これらのアルゴリズムは,3つの評価測度を最適化し,それぞれ,AdaRankに基づいて,平均受信ランク(ERR),平均受信ランク(MRR),およびQ測度(Q)を最適化する。さらに,ランキング性能を向上させるための新しい特徴生成フレームワークFGFREMを提案した。このフレームワークは,提案したアルゴリズムによって割り当てられたランキングスコアに基づいて効果的な文書ランキング特徴を生成し,ランキング性能を改善するために生成された特徴を用いてランク付けするための学習の元の特徴空間を豊かにする。著者らは,LETOR3.0とWebデータセットMSLR-WEB10Kからの3つのデータセットに関する提案フレームワークを評価した。実験結果は,著者らのフレームワークがランキング性能を効果的に改善できることを実証した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 測度 ,  最適化 ,  Web【情報システム】 ,  学習 ,  受信 ,  アルゴリズム ,  機械学習 ,  *情報検索 ,  等級づけ
準シソーラス用語： 特徴空間 ,  スコア ,  *評価尺度 , 【Automatic Indexing@JST】

著者キーワード (4件)： ランクへの学習 ,  特徴生成 ,  機械学習 ,  情報検索

分類 (2件)： 人工知能  (JE08000Z) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (3件)： 情報検索 ,  評価尺度 ,  フレームワーク