1 / 19

Rangsorolás tanulása

Rangsorolás tanulása. ápr. 24. Állásra jelentkezők rangsorolása. Rangsorolási feladat. Adott elemek egy halmaza o 1…n és egy q lekérdezés Az {o i, q} párokat (gazdag) jellemzőtérrel írjuk le Rangsoroljuk o 1…n elemeket q-szerinti relavancia szempontjából!

liuz
Download Presentation

Rangsorolás tanulása

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Rangsorolás tanulása ápr. 24.

  2. Állásra jelentkezők rangsorolása

  3. Rangsorolási feladat Adott elemek egy halmaza o1…n és egy q lekérdezés Az {oi,q} párokat (gazdag) jellemzőtérrel írjuk le Rangsoroljuk o1…n elemeket q-szerinti relavancia szempontjából! A kimenet az o1…n elemek egy rendezett listája

  4. Rangsorolás tanulása Tanító adatbázis: Modell:

  5. Rangsorolás vs. regresszió Egyszerű megoldás: helyezést, mint valós értéket regresszáljuk Célfüggvény más! Konkrét értékek nem érdekesek, csak a rendezés Az egyes lekérdezések közti normalizáció problémás: pl. f(q1,o1,18) = f(q2, o2,72) = 1

  6. Rangsorolás vs. osztályozás Sokszor a gyakorlatban csak néhány releváns elem ismert a lekérdezéshez (nem teljes rangsor). Releváns/nem-releváns bináris osztályozás? Egy halmazból mindig a legrelevánsabbakat kell kiválasztani! (globális osztályozó predikálhat mindent nem-relevánsnak) Rangsorolásnál az adott O belüli (relatív) rangsor a kérdés és nem egy abszolút rangsor.

  7. Kiértékelési metrikák Kendall tau: Releváns elem választásnál: reciprok rangsor = 1/rank, ahol rank az első releváns elem helyezése MRR: reciprok rangsor átlagolva több q,O pár felett rel(k): a k.-nak visszaadott elem releváns-e P(k)= precízió@k MAP: AveP átlagolva több q,O pár felett

  8. Megközelítések • Pontszerű (pointwise) megközelítés • Regressziós (teljes rangsorolás) vagy osztályozási (releváns elemek) problémaként kezeljük • Pár-alapú (pairwise) megközelítés • Az egyes O-kon belül párokat formálunk, arra az osztályozási feladatra vezetjük vissza, hogy oi elem relevánsabb-e, mint oj. • Rangsorolásnál mindenki mindenkivel versenyez. • Lista-alapú (listwise) megközelítés • A rangsorolást közvetlenül tanuljuk. Egy q,O pár egy egyed

  9. SVMrank

  10. SVMrank

  11. SVMrank Tfh. f(x) lineáris, ekkor: … http://www.cs.cornell.edu/people/tj/svm_light/svm_rank.html

  12. ListMLE – PlackettLuce Modell π egy rangsorolása O elemeinek π-1(i) a rangsor i. pozíciójában álló elem s egy pontszám az egyes értékekhez • P egy eloszlás • s szerint csökkenő(növekvő) sorrendnek a legnagyobb(legkissebb) • a valószínűsége

  13. ListMLE Legyen Keressük azt az paramétervektort ami maximalizálja a tanító adatbázis megfigyelésének valószínűségét (MLE) a Plackett-Luce modell alapján:

  14. ListMLE sorrend helyett releváns találatok Jelölje Yi az i. lekérdezéshez releváns találatok halmazát ?

  15. Megjegyzések • A pontszerű megközelítésnél számottevően jobbak a pár- ill. lista-alapú módszerek • A gyakorlatban a pár- és lista-alapú módszerek versenyképesek • Tanító példák száma: • Pár-alapúnál |Q\|O|2 • Lista-alapúnáé |Q\ tanító példa

  16. Összegzés • Rangsorolási feladat • Teljes rangsor • Releváns elemek • Pontszerű (pointwise) megközelítés • Regresszió • Releváns/nem releváns osztályozás • Pár-alapú (pairwise) megközelítés • SVMrank • Lista-alapú (listwise) megközelítés • ListMLE

More Related