learning-to-rank

Вопрос или проблема Традиционно алгоритмы машинного обучения для ранжирования принимают признаки на вход и затем выдают “рейтинг-оценку”, которая не имеет естественной вероятностной интерпретации. Например, предположим, что у нас есть три ноутбука: “

Вопрос или проблема Я использую обучение ранжированию в приложении для электронной коммерции. Точнее, я использую lambdaMART от LightGBM и XGboost. У меня есть набор данных с поисковыми запросами и списком соответствующих товаров, которые были показаны

Вопрос или проблема Предположим, что у меня есть два ранжированных списка, A и B, причем каждый элемент в списках связан с определенным количеством очков: A = [(I_2, 6), (I_4, 5), (I_1, 3), (I_5, 1)] - очки в порядке убывания B = [(I_4, 1), (I_3, 0.

Вопрос или проблема Рассмотрим задачу обучения ранжированию, где я обучаюсь на N элементах, отображаемых пользователю для каждого запроса. Предположим, что я могу количественно оценить вероятность исследования $P[E_i]$ каждой позиции $i$ при условии

Вопрос или проблема Когда мы используем то одно, то другое? Мой случай применения: Я хочу оценить линейное пространство, чтобы увидеть, насколько хороши результаты извлечения. У меня есть набор данных X (m x n) и некоторые веса W (m x 1).