1. Joachims T. et al. Accurately interpreting clickthrough data as implicit feedback //ACM SIGIR Forum. – Acm, 2019. – Т. 51. – №. 1. – С. 4-11.
2. Гулин А. и др. Оптимизация алгоритмов ранжирования методами машинного обучения //Тр. Росс. сем. по оценке методов информационного поиска. СПб.: НУ ЦСИ. – 2019. – С. 163-168.
3. Liu T. Y. et al. Learning to rank for information retrieval //Foundations and Trends in Information Retrieval. – 2019. – Т. 3. – №. 3. – С. 225- 331.
4. «Интернет – математика 2011». https://academy.yandex.ru/events/data_analysis/relpred2011/
5. Гуда С., Рябов Д. Отчет по конкурсу Relevance Prediction Challenge. – 2020. – Т. 3. – №. 3. – С. 230- 245.
6. Figurnov M., Kirillov A. Linear combination of random forests for the Relevance Prediction Challenge //Proc. of Int. Conf. on Web Service and Data Mining workshop on Web Search Click Data. New York: ACM. – 2022. – С. 71-75.
7. Агеев М. С. Ранжирование документов по запросу на основе лога действий пользователей поисковой системы //вычислительные методы и программирование. – 2020. – Т. 13. – №. 4. – С. 559-571.
8. Hu B., Liu N. N., Chen W. Learning from click model and latent factor model for relevance prediction challenge //Proceedings of the Workshop on Web Search Click Data, WSDM. – 2020. – Т. 2012.
9. Agichtein E., Brill E., Dumais S. Improving web search ranking by incorporating user behavior information //Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information retrieval. – ACM, 2019. – С. 19-26.
Весь текст будет доступен после покупки