学位论文 > 优秀研究生学位论文题录展示

网页学习排序算法研究

作　者: 邓辉
导　师: 李红
学　校: 华中科技大学
专　业: 计算数学
关键词: 网页学习排序 SVM 遗传算法优化BP网络 Boosting算法交叉验证
分类号: TP391.3
类　型: 硕士论文
年　份: 2013年
下　载: 4次
引　用: 0次
阅　读: 论文下载

内容摘要

高端先进的信息技术，将我们带入了一个浩如烟海的数字时代。大量数据的涌入使得搜索引擎变得越来越重要，如何从海量数据中快速定位所需信息显得异常关键。搜索引擎包含多个组成部分，其中网页排序是搜索引擎设计的核心问题，它决定着搜索引擎排序结果，直接影响着搜索引擎的性能和用户体验。信息检索领域有许多网页排序算法，大致可归类为样本点级别方法模型、样本对级别方法模型以及样本列表级别方法模型。研究者们在这三类方法中运用多种算法做了很多贡献，然而对网页学习排序算法的研究仍处于白热化阶段。针对网页学习排序问题，本文首先SVM(Support Vector Machine)分别从样本点级别和样本对级别建立了基于SVM的网页学习排序模型。求解部分运用交叉检验的思想选择SVM模型中的参数，同时进行了核函数选择分析；在数据分析与处理时，选取了部分特征数据进行可视化以及数据分维分析，为消除数据量纲影响在预处理部分做了归一化处理。在样本对方法下的SVM网页排序模型求解中，本文采用随机排序配对方法得到训练样本。接着，运用启发式方法建立了遗传算法优化BP(BackPropagation)神经网络学习排序模型。该模型利用遗传算法的寻优能力，得到较好的BP网络初始权值和阈值，以提高BP网络的性能。为减轻BP网络训练复杂度，求解部分运用主成分分析法将训练数据进行了压缩，在保证较高的数据保真度时使压缩后的数据维度降至使BP网络结构合适的程度。最后，基于Boosting思想建立了基于Boosting算法的网页排序模型，旨在研究强学习排序器在弱学习机基础上的提升能力。本文在LETOR数据子集OHSUMED上进行实验。实验结果表明样本对级别模型的学习排序能力稍高于样本点级别；遗传算法优化BP网络权值与阈值能提高模型的排序精度，但时间开销很大；Boosting方法中的强学习排序器能取得较好效果。

全文目录

摘要  4-5
ABSTRACT  5-9
1 绪论  9-15
  1.1 研究背景与意义  9-10
  1.2 网页排序算法的发展与现状  10-14
  1.3 本文主要研究内容  14-15
2 搜索引擎原理  15-17
  2.1 工作原理  15
  2.2 基本结构  15-17
3 传统模型与评价准则  17-25
  3.1 传统排序模型  17-21
  3.2 评价准则  21-25
4 网页学习排序模型的建立与求解  25-38
  4.1 基于 SVM 的网页排序算法  25-29
  4.2 遗传算法优化 BP 神经网络网页学习排序算法  29-35
  4.3 基于Boosting算法的网页学习排序  35-38
5 实验结果分析及其比较  38-48
  5.1 SVM 网页排序学习算法实验结果分析  40-42
  5.2 遗传算法优化 BP 神经网络结果分析  42-45
  5.3 基于 Boosting 算法的网页学习排序分析  45-46
  5.4 三算法的比较分析  46-48
6 网页学习排序算法总结与展望  48-51
  6.1 网页学习排序算法总结  48-49
  6.2 未来发展方向  49-51
致谢  51-52
参考文献  52-56

网页学习排序算法研究

内容摘要

全文目录

相似论文