作者：李伟宁; 王磊信息检索排序学习特征处理listnet
摘要：排序学习（learning to rank）是一种机器学习与信息检索的交叉学科,可以从大量的包含标记的训练集中自动学习排序模型.特征选取对于排序模型的预测结果有很大的影响,而排序学习对其特征领域的研究却很少.针对这一问题,提出一种特征处理方法：利用基于主成分分析（PCA）的特征重组方法扩展数据集,然后在扩展后的数据集上进行排序算法隐含的特征选择.在LETOR4.0数据集（MQ2007,MQ2008）上基于排序评测函数对ListNet排序算法进行验证.通过对比特征处理前后的排序性能差异,以及添加新特征的个数对排序结果的影响,实验结果表明,经过特征处理的利用排序学习算法构建的排序函数一般要优于原始的排序函数.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
