Learning to rank
dc.contributor.advisor | Yıldız, Olcay Taner | en_US |
dc.contributor.author | Kılıç, Yasin Ozan | en_US |
dc.contributor.other | Işık Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programı | en_US |
dc.date.accessioned | 2016-05-30T12:28:25Z | |
dc.date.available | 2016-05-30T12:28:25Z | |
dc.date.issued | 2011-04-28 | |
dc.department | Işık Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programı | en_US |
dc.description | Text in English ; Abstract: English and Turkish | en_US |
dc.description | Includes bibliographical references (leaves 37-42) | en_US |
dc.description | ix, 43 leaves | en_US |
dc.description.abstract | The web has grown so rapidly in the last decade and it brought the need for proper ranking. Learning to rank (LTR) is the collection of machine learning technolo- gies that construct a ranking model using training data. The model can sort documents according to their degrees of relevance or preference. In this thesis, we introduce LTR technologies and divide them into three ap- proaches: the point-wise, pair-wise and list-wise. We review the theoritical aspects of each category and introduce the representative algorithms of them. We also introduce a new LTR method GRwC which uses classifîcation and graph algorithms. We reduce the ranking problem to a two class classifîcation problem and apply KNN algorithm on a modified LTR dataset. We compared it with the popular ranking algorithm RankingSVM. Experiments on the well-known ranking datasets show that our proposed method gives slightly worse results than RankingSVM. | en_US |
dc.description.abstract | ıralama öğrenimi örnek verileri kullanarak bunlardan bir sıralama modeli oluşturan makine öğrenimi metotlarıdır. Bu model dokümanları önemine ya da uygunluğuna bağlı olarak sıralayabilir. Birçok Bilgiye Erişim teknolojisinin temelinde sıralama vardır. Bu yüzden Sıralama öğrenimi teknolojisi ile varolan bu teknolojiler daha da iyileştirilebilir. Sıralama öğrenimi son yıllarda artan bir popülariteye sahip olmuştur. Bunun temel sebebi Sıralama öğrenimi metotlarının arama motorları tarafından kullanılmaya başlanmış olmasıdır. Büyük arama motoru şirketleri son zamanlarda bir çok Sıralama öğrenimi algoritmaları geliştirmiş ve bu algoritmaları arama sistemlerinde kullanarak iyi sonuçlar almışlardır. Bu tezde, Sıralama öğrenimi teknolojilerini inceledik ve üç ayrı kategoriye ayırdık: nokta-bazlı, çift-bazlı ve liste-bazlı yaklaşımlar. Ayrıca yeni bir Sıralama öğrenimi algoritması tasarlayıp bunu popüler bir algoritma olan RankingSVM ile karşılatırdık. | en_US |
dc.description.tableofcontents | Introduction | en_US |
dc.description.tableofcontents | Ranking in Information Retrieval | en_US |
dc.description.tableofcontents | Ranking Models in IR | en_US |
dc.description.tableofcontents | Query-dependent Ranking Models | en_US |
dc.description.tableofcontents | Query-independent Ranking Models | en_US |
dc.description.tableofcontents | Query-level Evaluation in Information Retrieval | en_US |
dc.description.tableofcontents | Learning to Rank | en_US |
dc.description.tableofcontents | The point-wise approach | en_US |
dc.description.tableofcontents | Multi-class Classification for Ranking | en_US |
dc.description.tableofcontents | Subset Ranking with Regression | en_US |
dc.description.tableofcontents | Other Point-wise Algorithms | en_US |
dc.description.tableofcontents | Pair-wise Approach | en_US |
dc.description.tableofcontents | RankBoost | en_US |
dc.description.tableofcontents | Ranking SVM | en_US |
dc.description.tableofcontents | Other Pair-wise Algorithms | en_US |
dc.description.tableofcontents | List-wise approach | en_US |
dc.description.tableofcontents | RankCosine | en_US |
dc.description.tableofcontents | ListNet | en_US |
dc.description.tableofcontents | Other List-wise Algorithms | en_US |
dc.description.tableofcontents | Graph Ranking with Classification | en_US |
dc.description.tableofcontents | Experiments and Results | en_US |
dc.description.tableofcontents | Setup | en_US |
dc.description.tableofcontents | Results | en_US |
dc.description.tableofcontents | Conclusion | en_US |
dc.identifier.citation | Kılıç, Y. O. (2011). Learning to rank. İstanbul: Işık Üniversitesi Fen Bilimleri Enstitüsü. | en_US |
dc.identifier.uri | https://hdl.handle.net/11729/881 | |
dc.institutionauthor | Kılıç, Yasin Ozan | en_US |
dc.language.iso | en | en_US |
dc.publisher | Işık Üniversitesi | en_US |
dc.relation.publicationcategory | Tez | en_US |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
dc.subject | Algorithms | en_US |
dc.subject | Machine learning | en_US |
dc.subject.lcc | TK5102.9 .K55 2011 | |
dc.subject.lcsh | Machine learning. | en_US |
dc.subject.lcsh | Algorithms. | en_US |
dc.title | Learning to rank | en_US |
dc.title.alternative | Sıralama öğrenimi | en_US |
dc.type | Master Thesis | en_US |