基于学习排序的多分类标签排序方法研究

摘要

学习排序是利用机器学习技术来对搜索结果进行排序的技术.它在包括信息检索与数据挖掘等技术在内的众多应用领域中具有重大作用,因此近年来备受关注.学习排序通常假设每个培训实例都与一个可靠的标签相关联产生列表,但并不假定此列表是完整的或一致的.通过结合广义线性模型和Plackett-Luce (P-L)模型,提出一种基于实例的解决多分类标签的排序方法.目标是训练学习一种排序功能,排序功能通过训练提出一种最大似然估计方法.该方法估计标签排序,并迭代地训练排序功能,该功能可以在整套标签上产生全部排序.先利用广义线性模型对标签进行分类,再用P-L模型对各类别的标签进行排序,最后利用最大似然估计的方法对框架模型进行优化处理.该方法在不完整的训练数据的情况下,较其他模型方法在准确性上提升5％.