About: Learning to rank

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Learning to rank Goto Sponge NotDistinct Permalink

An Entity of Type : yago:WikicatRankingFunctions, within Data Space : dbpedia.demo.openlinksw.com associated with source document(s)
QRcode icon

http://dbpedia.demo.openlinksw.com/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FLearning_to_rank&invfp=IFP_OFF&sas=SAME_AS_OFF

Learning to rank or machine-learned ranking (MLR) is the application of machine learning, typically supervised, semi-supervised or reinforcement learning, in the construction of ranking models for information retrieval systems. Training data consists of lists of items with some partial order specified between items in each list. This order is typically induced by giving a numerical or ordinal score or a binary judgment (e.g. "relevant" or "not relevant") for each item. The goal of constructing the ranking model is to rank new, unseen lists in a similar way to rankings in the training data.

Attributes	Values
rdf:type	software yago:Abstraction100002137 yago:Function113783816 yago:MathematicalRelation113783581 yago:Relation100031921 yago:WikicatRankingFunctions
rdfs:label	Aprendizaje de clasificación (es) Learning to rank (en) Обучение ранжированию (ru) Навчання ранжуванню (uk)
rdfs:comment	Learning to rank or machine-learned ranking (MLR) is the application of machine learning, typically supervised, semi-supervised or reinforcement learning, in the construction of ranking models for information retrieval systems. Training data consists of lists of items with some partial order specified between items in each list. This order is typically induced by giving a numerical or ordinal score or a binary judgment (e.g. "relevant" or "not relevant") for each item. The goal of constructing the ranking model is to rank new, unseen lists in a similar way to rankings in the training data. (en) Навчання ранжуванню (англ. learning to rank) або машине-навчання ранжуванню (МНР, англ. machine-learned ranking) є застосуванням машинного навчання, як правило, навчання з учителем, напівавтоматичного навчанням або навчання з підкріпленням, при побудові моделей ранжування для інформаційно-пошукових систем. Навчальні набори даних складаються зі списків елементів з деяким частковим порядком, заданим між елементами в кожному списку. Цей порядок, як правило, відповідає числовим або порядковим балам або бінарним рішенням (наприклад, «відповідає» або «не відповідає») для кожного елемента. Метою моделі ранжування є присвоєння рангу, тобто, у проведенні перестановки елементів з метою створення нових списків, які «подібні» до рейтингів у навчальних даних в певному сенсі. (uk) Aprendizaje de clasificación o aprendizaje automático de clasificación (MLR, por sus siglas en inglés) es la aplicación de aprendizaje automático, típicamente supervisado, semisupervisado o aprendizaje reforzado en la construcción de modelos de clasificación para sistemas de recuperación de información. Los datos de entrenamiento consisten en listas de elementos con algún orden parcial especificado entre elementos en cada lista. Este orden es típicamente inducido por dar una puntuación numérica u ordinal o un juicio binario (p. ej., «relevante» o «no relevante») para cada elemento. El propósito del modelo de clasificación es producir una permutación de elementos en nuevas listas, que no se ven de una manera que sea «similar» a clasificaciones en los datos de entrenamiento en algún sentid (es) Обуче́ние ранжи́рованию (англ. learning to rank или machine-learned ranking, MLR) — это класс задач машинного обучения с учителем, заключающихся в автоматическом подборе ранжирующей модели по обучающей выборке, состоящей из множества списков и заданных частичных порядков на элементах внутри каждого списка. Частичный порядок обычно задаётся путём указания оценки для каждого элемента (например, «релевантен» или «не релевантен»; возможно использование и более, чем двух градаций). Цель ранжирующей модели — наилучшим образом (в некотором смысле) приблизить и обобщить способ ранжирования в обучающей выборке на новые данные. (ru)
foaf:depiction
dcterms:subject	Information retrieval techniques Machine learning Ranking functions
Wikipage page ID	25050663 (xsd:integer)
Wikipage revision ID	1124870156 (xsd:integer)
Link from a Wikipage to another Wikipage	Online advertising Standard Boolean model Bing (search engine) Permutation Peter Norvig Cuil University of California at Berkeley Information retrieval International Conference on Machine Learning Information retrieval techniques Generative adversarial network Norbert Fuhr Okapi BM25 Query-level feature Google Multimedia information retrieval Content-based image retrieval Apache Solr Machine learning Computational biology Computer vision Feature (machine learning) Feature engineering MatrixNet Software engineering Machine learning Web browser engine Ranking functions Document retrieval Classification (machine learning) HITS algorithm Feature vector Logistic distribution Logistic regression AltaVista Cumulative distribution function PageRank Discounted cumulative gain Google SearchWiki Gradient boosting Stochastic gradient descent Reinforcement learning Relevance (information retrieval) Text Retrieval Conference Collaborative filtering Special Interest Group on Information Retrieval Tie-Yan Liu Microsoft Research Open-source software Ordinal regression Recommender system Yahoo Yandex Loss function Machine translation Mean reciprocal rank Semi-supervised learning Spearman's rank correlation coefficient Sentiment analysis Vector space model Image retrieval Ranking function Polynomial regression Mean Average Precision Partial order Overture Services, Inc. Supervised learning Normalized discounted cumulative gain Triplet loss Inverse document frequency Training data Language modeling Bag of words Binary classifier Kendall's tau Neural Information Processing Systems Precision (information retrieval) TF-IDF
Link from a Wikipage to an external page	https://people.cs.pitt.edu/~valizadegan/Publications/NDCG_Boost.pdf

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (378 GB total memory, 49 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software