اس وی ام رتبه بندی

در یادگیری ماشین، یک SVM رتبه بندی گونه ای از الگوریتم ماشین بردار پشتیبانی است که برای حل مسائل رتبه بندی خاص ( از طریق یادگیری رتبه بندی ) استفاده می شود. الگوریتم SVM رتبه بندی توسط Thorsten Joachims در سال 2002 منتشر شد. [ ۱] هدف اصلی این الگوریتم بهبود عملکرد یک موتور جستجوی اینترنتی بود. با این حال، مشخص شد که رتبه بندی SVM همچنین می تواند برای حل مسائل دیگری مانند Rank SIFT استفاده شود. [ ۲]
الگوریتم رتبه بندی SVM یک تابع بازیابی یادگیری است که از روش های رتبه بندی زوجی برای مرتب سازی تطبیقی نتایج بر اساس «مرتبط بودن» آنها برای یک پرس وجو خاص استفاده می کند. تابع رتبه بندی SVM از یک تابع نگاشت برای توصیف تطابق بین یک عبارت جستجو و ویژگی های هر یک از نتایج ممکن استفاده می کند. این تابع نگاشت هر جفت داده ( مثلاً یک پرس و جوی جستجو و صفحه وب کلیک شده ) را به یک فضای ویژگی تصویر می کند. این ویژگی ها با داده های کلیکی مربوطه ترکیب می شوند ( که می تواند به عنوان یک واسط برای ارتباط یک صفحه برای یک جستجوی خاص عمل کند ) و سپس می تواند به عنوان داده های آموزشی برای الگوریتم رتبه بندی SVM استفاده شود.
به طور کلی، رتبه بندی SVM شامل سه مرحله در دوره آموزش است:
• یک نگاشت از شباهت های بین پرس و جوها و صفحات کلیک شده به در یک فضای ویژگی خاص تعریف می کند.
• فاصله بین هر دو بردار به دست آمده در مرحله 1 را محاسبه می کند.
• این یک مسئله بهینه سازی را تشکیل می دهد که شبیه به یک طبقه بندی استاندارد SVM است و این مشکل را با حل کننده SVM معمولی حل می کند.
فرض کنید C مجموعه داده ای است که شامل N عنصر c i است. r یک روش رتبه بندی است که به C اعمال می شود. سپس r در C را می توان به صورت یک ماتریس دودویی N × N نشان داد. اگر رتبه c i از رتبه c j بالاتر باشد، یعنی:
r   c i < r   c j
آنگاه درایه متناظر با آن را در ماتریس مقدار 1 و در غیر این صورت مقدار 0 قرار می دهیم.
تای کندال همچنین به ضریب همبستگی رتبه تای کندال اشاره دارد، که معمولاً برای مقایسه دو روش رتبه بندی برای یک مجموعه داده استفاده می شود.
فرض کنید r 1 و r 2 دو روش رتبه بندی باشد که برای مجموعه داده های C اعمال می شود، تای کندال بین r 1 و r 2 را می توان به صورت زیر نشان داد: τ ( r 1 , r 2 ) = P − Q P + Q = 1 − 2 Q P + Q