该论文研究利用用户点击来进行学习排序的方法及其相关领域,提出了一个框架来统一在线、反事实和监督学习,并将其统一成一种通用且有效的排序学习方法。
Dec, 2020
研究目的为了实现大学学术搜索平台,探讨搜索、排名和推荐技术,但由于缺乏大量基本事实数据,传统的排名技术和评估措施难以实现。该项目有助于提高用户的学术搜索体验,包括研究人员、出版物和研究领域信息,并对大学教师和学生的研究经验都有益。
Jul, 2022
本文提出了一种使用排名损失函数和等变回归来优化概率预测的技术,具有良好的排名和回归性能,并且在概率分布上比逻辑回归等统计学习方法表现更好,证明了该技术在实际应用中的有效性。
Jun, 2012
本文提出了一种基于最小二乘代理损失的方法来解决标签排名问题,并针对本方法采用了具体的特征映射 / 嵌入来转换排名 / 排列为向量表示,旨在提高结构化预测的效率和准确性,在部分排名情况下有着良好的表现。
Jul, 2018
本研究提出一种学习排序的公式,并针对文档相似性和排名上下文,提出几种可扩展的算法,优化满足用户需求的数量,是从文献中的 “排名老虎机” 和 “Lipschitz bandits” 两个多臂老虎机模型推广的。经实验证明,我们的算法学习速度比以前的方法快几个数量级。
May, 2010
本研究提出了一种统一的框架,使用简单的构建块限制,允许对各种基于排名的目标进行高度可扩展的优化,并在多个实际检索问题上展示了我们方法的优势,同时在性能和精度方面显著改进了基线。
Aug, 2016
研究揭示排序同行评分可用作大规模在线开放课程 (MOOC) 的学生评估的高度有效和可扩展解决方案,通过使用一种 Borda-like 聚合方法,在分布过程中使用简单的方法分配任务,并且即使学生具有不完美的评分能力,该方法也非常稳健。
Nov, 2014
本文对于大规模和异构化的现代数据集中的信息排序问题提出了一种可靠性保证的机制,通过有序的信息刻画,充分利用计算资源进行高效程度排名的学习并在特定数据结构下进行了验证。
在线学习排序的领域,Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法,解决了现有工作需要匹配真实先验的主要局限性,并将这些结果扩展到线性和广义线性模型。此外,我们还考虑点击反馈措施,并通过合成和现实世界实验证明了我们算法的有效性。
Jan, 2023
这篇论文提出了一种基于同伴评分的计算大规模在线开放课程中学生学术表现可靠信息的简单可行方法,使用类排序聚合规则并考虑学生的评分行为提高评分的效度,通过对评分行为的理论框架和实验模拟的验证证明其具有高精度。
Feb, 2016