Learning to rank

Abstract

Sıralama ögrenimi örnek verileri kullanarak bunlardan bir sıralama modeli oluşturanmakine ögrenimi metotlarıdır. Bu model dökümanları önemine ya da uygunluğunabağlı olarak sıralayabilir. Bir çok Bilgiye Erişim teknolojisinin temelinde sıralama vardır.Bu yuzden Sıralama öğrenimi teknolojisi ile varolan bu teknolojiler daha da iyileştirilebilir.Sıralama öğrenimi son yıllarda artan bir popülariteye sahip olmuştur. Bununtemel sebebi Sıralama öğrenimi metotlarının arama motorları tarafından kullanılmayabaşlanmış olmasıdır. Büyük arama motoru şirketleri son zamanlarda bir çok Sıralamaöğrenimi algoritmaları geliştirmiş ve bu algoritmaları arama sistemlerinde kullanarakiyi 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 öğrenimialgoritması tasarlayıp bunu popüler bir algoritma olan RankingSVM ile karşılaştırdık.

The web has grown so rapidly in the last decade and it brought the need forproper ranking. Learning to rank (LTR) is the collection of machine learning technologies that construct a ranking model using training data. The model can sort documentsaccording to their degrees of relevance or preference.In this thesis, we introduce LTR technologies and divide them into three approaches: the point-wise, pair-wise and list-wise. We review the theoretical aspects ofeach category and introduce the representative algorithms of them.We also introduce a new LTR method GRwC which uses classication and graphalgorithms. We reduce the ranking problem to a two class classication problem andapply KNN algorithm on a modied LTR dataset. We compared it with the popularranking algorithm RankingSVM.Experiments on the well-known ranking datasets show that our proposed methodgives slightly worse results than RankingSVM.