bigfacesafdasgfewgf

学习排序算法（二）：Pairwise方法之Ranking SVM 1. Pairwise方法的基本思想 Pairwise考虑了文档顺序的关系。它将同一个query的相关文档其中起来，把任意两个文档组成一个pair。我们研究就是以这个pair文档对来研究的。2. Ranking SVM

学习排序算法（二）：Pairwise方法之RankNet 前面一篇博文介绍的Ranking SVM是把LTR问题转化为二值分类问题，而RankNet算法是从另外一个角度来解决，那就是概率的角度。1. RankNet的基本思想 RankNet方法就是使用交叉熵作为损失函数，学习出一些模型（例如神经网络、决策树等）来计算每个pair的排序得分，学习模型的过程可以使用梯度下降法。

学习排序算法简介 学习排序（Learning to Rank, LTR）是一类基于机器学习方法的排序算法。 传统经典的模型，例如基于TFIDF特征的VSM模型，很难融入多种特征，也就是除了TFIDF特征之外，就无法融入其他种类的特征了。 而机器学习的方法很容易融合多种特征，而且有成熟深厚的理论基础，参数也是通过迭代计算出来的，有一套成熟理论来解决稀疏、过拟合等问题。LTR方法大致可以分成三类：1） Pointwise 单文档方法2） Pairwise 文档对方法

属于同一类的文档之间无法排序；完全从单文档的分类角度计算，没有考虑文档之间的相对顺序。

再理解RankNet算法         前面的一篇博文介绍了学习排序算法（Learning to Rank）中的RankNet算法。如下：http://blog.youkuaiyun.com/puqutogether/article/details/42124491    那次的入门对其中的算法流程和基本原理没有深入了解，这次看自动摘要提取算法的时候，里面有一个排序单元，使用到的

文档摘要自动提取算法——抽取式        自动提取文档摘要的算法，主流方法分为两类：Extractive 抽取式、Abstractive 概要式。这篇我们主要将抽取式。抽取式：    从原始文档集中抽取一些具有代表性的文本片段构成摘要，这些片段可以是整个文档中的句子、子句、段落或者小节。    抽取式方法有两个问题，如何对文本单元排序打分；如何抽取文本单元的