Личный кабинет

Дипломная работаРазное

Готовая работа №109524 от пользователя Куклачев Дмитрий

Алгоритмы ранжирования списков с использованием машинного обучения

Name: Алгоритмы ранжирования списков с использованием машинного обучения
Price: 730.00 RUB

730 ₽

Файл с работой можно будет скачать в личном кабинете после покупки

Страниц: 30

Год написания: 2024

Куклачев Дмитрий

Сообщить о нарушении авторских прав

Гарантия безопасной покупки

Уникальность текста выше 50%

Возможность снять с продажи

Не подходит эта работа?

Укажите тему работы или свой e-mail, мы отправим подборку похожих работ

содержание

ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР ТЕОРЕТИЧЕСКИХ ОСНОВ И ПРЕДШЕСТВУЮЩИХ ИССЛЕДОВАНИЙ
1.1 Поточечный подход
1.2 Попарный подход
1.3 Посписочные методы
ГЛАВА 2. МЕТОДОЛОГИЯ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ
2.1 Обработка текста
2.2 Нейронные сети
2.3 Метод опорных векторов
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

Весь текст будет доступен после покупки

Показать еще текст

ВВЕДЕНИЕ

Каждый человек в своей жизни сталкивался с тем или иным ранжированием, так как многие пользуются различными онлайн- кинотеатрами, социальными сетями, крупными интернет-магазинами и уж точно поисковыми системами. Во всех перечисленных интернет-площадках можно столкнуться с ранжированием: будь то поисковая выдача на запрос или индивидуально подобранная для каждого пользователя лента рекомендаций в онлайн-кинотеатре Netflix и видеохостинге Youtube или таргетированная реклама в соцсетях, как Вконтакте и Инстаграм. К тому же, помимо очевидных примеров, ранжирование встречается в таких сферах, как машинный перевод[1] и даже в вычислительной биологии. Для такой распространенной задачи существуют разные алгоритмы решения, и одними из основных являются алгоритмы обучения ранжированию.
Обучение ранжированию – один из классов задач машинного обучения, обычно обучения с учителем, обучения с частичным учителем и обучения с подкреплением, которое направлено на решение проблем ранжирования информации. Данная задача выделяется на фоне других задач машинного обучения, так как обычно конечным результатом, например, классификации или регрессии является предсказывание одного или нескольких значений к одному элементу выборки, то есть класса в случае классификации и вектора значений в случае регрессии. Однако обучение ранжированию – это анализ сразу целого списка элементов выборки одновременно, так как стоит задача отсортировать этот список так, чтобы получить релевантную выдачу на какой-либо запрос.

Весь текст будет доступен после покупки

Показать еще текст

отрывок из работы

ГЛАВА 1. ОБЗОР ТЕОРЕТИЧЕСКИХ ОСНОВ И ПРЕДШЕСТВУЮЩИХ ИССЛЕДОВАНИЙ
1.1 Поточечный подход
Поточечный подход в своей целевой функции рассматривает каждый элемент обучающей выборки отдельно, как это делается во многих других задачах машинного обучения. То есть алгоритмы поточечного подхода тренируют классификацию или регрессию для предсказывания по каждому отдельному элементу, насколько он релевантен для данного запроса. Далее список элементов сортируется по их полученным оценкам релевантности, и на выходе выдает ранжированные по запросу элементы.
Для поточечного подхода могут применяться любые алгоритмы машинного обучения для регрессии или классификации практически без модификаций. Неудивительно, что одними из первых алгоритмов обучения ранжированию являются поточечные методы. Например, алгоритм OPRF[5] появился ещё в 1989 году. В нём используется полиномиальная регрессия: каждая пара запрос-документ представляется в векторном виде, а полиномиальная функция подбирается так, что она даёт оценку вероятности релевантности запросу документа с минимальной квадратичной ошибкой. Следующий алгоритм SLR[6], представленный в 1992 году, уже использует многоэтапную логистическую регрессию – каждый раз уменьшая выборку элементов по установленному порогу. Более современным поточечным алгоритмом (2007 год) является McRank[7], являющийся улучшением другого попарного метода – LambdaRank . Основан алгоритм на множественной порядковой классификации, которая обучается при помощи дерева градиентного бустинга.

Весь текст будет доступен после покупки

Показать еще текст

Список литературы

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

Показать еще текст

Купить и скачать работу

Алгоритмы ранжирования списков с использованием машинного обучения

Почему студенты выбирают наш сервис?

Работаем круглосуточно

24 часа в сутки

7 дней в неделю

Гарантия

Возврат средств в случае проблем с купленной готовой работой

Мы лидеры

LeWork является лидером по количеству опубликованных материалов для студентов

не подошла эта работа?

В нашей базе 78761 курсовых работ – поможем найти подходящую

Ответы на часто задаваемые вопросы

Как оплатить заказ?

Чтобы оплатить заказ на сайте, необходимо сначала пополнить баланс на этой странице - https://lework.net/addbalance

На странице пополнения баланса у вас будет возможность выбрать способ оплаты - банковская карта, электронный кошелек или другой способ.

После пополнения баланса на сайте, необходимо перейти на страницу заказа и завершить покупку, нажав соответствующую кнопку.

Если у вас возникли проблемы при пополнении баланса на сайте или остались вопросы по оплате заказа, напишите нам на support@lework.net. Мы обязательно вам поможем!

Есть ли услуга безопасной покупки, и какой срок гарантии?

Да, покупка готовой работы на сайте происходит через "безопасную сделку". Покупатель и Продавец финансово защищены от недобросовестных пользователей. Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней.

Что означает возможность снять с продажи готовую работу ?

У покупателя есть возможность снять готовую работу с продажи на сайте. Например, если необходимо скрыть страницу с работой от третьих лиц на определенный срок. Тариф можно выбрать на странице готовой работы после покупки.

Как вернуть средства за некачественную работу?

Гарантийный срок составляет 7 дней со дня покупки готовой работы. В течение этого времени покупатель имеет право подать жалобу на странице готовой работы, если купленная работа не соответствует описанию на сайте. Рассмотрение жалобы занимает от 3 до 5 рабочих дней. Если администрация сайта принимает решение о возврате денежных средств, то покупатель получает уведомление в личном кабинете и на электронную почту о возврате. Средства можно потратить на покупку другой готовой работы или вывести с сайта на банковскую карту. Вывод средств можно оформить в личном кабинете, заполнив соответствущую форму.

Как связаться со службой поддержки, если возникли вопросы?

Мы с радостью ответим на ваши вопросы по электронной почте support@lework.net