Apprentissage de fonctions d'ordonnancement par classification de paires ordonnées et pondérées (OWPC)

Résumé : Apprendre les fonctions d’ordonnancement pour les moteurs de recherche est une tâche difficile parce que les critères d’évaluations généralement utilisés sont difficilement optimisables directement. Dans ce cas, nous sommes contraints d’optimiser une fonction d’erreur d’ordonnancement qui en est proche. Dans ce papier, nous proposons de définir une fonction d’erreur d’ordonnancement en utilisant un opérateur d’agrégation convexe des erreurs de classification sur les paires appelé OWA (Yager, 1988) qui suivant son paramétrage peut donner un poids plus important aux erreurs commises au début de la liste. En utilisant des coûts de classification de type hinge loss, notre problème est similaire à une SVM à sorties structurées. Les expériences menées nous permettent de valider notre approche.
Document type :
Conference papers
Complete list of metadatas

https://hal.archives-ouvertes.fr/hal-01288935
Contributor : Lip6 Publications <>
Submitted on : Tuesday, March 15, 2016 - 5:33:37 PM
Last modification on : Thursday, March 21, 2019 - 1:08:13 PM

Identifiers

  • HAL Id : hal-01288935, version 1

Citation

David Buffoni, Nicolas Usunier, Patrick Gallinari. Apprentissage de fonctions d'ordonnancement par classification de paires ordonnées et pondérées (OWPC). Conference en Recherche d'information et Applications, CORIA 2010, Mar 2010, Sousse, Tunisie. pp.67-82. ⟨hal-01288935⟩

Share

Metrics

Record views

205